Engenheiro(a) de Deep Learning Sênior (Séries Temporais no Varejo)

Vaga aberta de Engenheiro(a) de Deep Learning Sênior (Séries Temporais no Varejo) . A empresa contratante é confidencial neste anúncio, e a seleção é conduzida pela Sylision. Nível: senior. Modelo de trabalho: 100% Remoto. Contratação: tempo integral, CLT ou PJ. Sobre a vaga: Uma rede de varejo precisa prever a demanda de milhares de itens por loja, dia a dia, para decidir reposição e escala de equipe. A série de cada item tem sazonalidade semanal e anual, picos de promoção, feriado móvel, ruptura de estoque que esconde a venda real e muitos itens de venda esporádica, com a maioria dos dias em zero. Você vai projetar e treinar as redes neurais que fazem essa previsão em grande escala. O desafio é duplo. De um lado, escolher a arquitetura certa para dados assim: modelos globais que aprendem de todas as séries ao mesmo tempo, tratamento de covariáveis conhecidas no futuro, como calendário e preço planejado, e previsão probabilística, porque o comprador precisa saber a faixa de incerteza e não só um número. De outro, a engenharia: treino em GPU que cabe no orçamento, inferência diária dentro de uma janela de poucas horas e reprodutibilidade de cada versão. O resultado se mede em erro por horizonte e por classe de item, viés da previsão, calibração dos intervalos e ruptura evitada, comparados com o método estatístico atual. Você define o padrão de avaliação, trata incidente de previsão e orienta quem trabalha na frente. O que você vai fazer: Escolher e treinar arquiteturas para séries temporais, com covariáveis de preço, calendário e promoção Produzir previsão probabilística com intervalos calibrados por horizonte Tratar demanda esporádica e censura causada por ruptura de estoque Montar a avaliação com janelas deslizantes, por classe de item e por loja Otimizar treino em GPU e exportar para inferência em lote com ONNX Definir o contrato de dados e a validação das séries de entrada Investigar semanas em que a previsão errou e documentar a causaOrientar engenheiros e cientistas sobre modelagem e padrão de avaliação Requisitos: Redes neurais para sequência em PyTorch ou TensorFlow, com treino reprodutível Previsão de séries temporais e suas métricas, como MAPE, viés e erro quantílico Treino em GPU e noção de memória, lote e precisão mista Otimização para inferência: exportação, quantização e medição de latência Comparação honesta com linha de base estatística, como SARIMA ou suavização exponencial Docker, Git e revisão de código no dia a dia Diferenciais: Modelos globais para milhares de séries com hierarquia produto, loja e região Previsão com conformal ou outra calibração formal de incerteza Conhecimento de reposição e de políticas de estoque Ajuste de CUDA e de dataloader para ocupar bem a GPU Prática de escrever relatório técnico lido por gente de negócio Como é trabalhar aqui: Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. Cada nova versão do modelo entra primeiro em modo sombra, comparada com a previsão em uso, e só substitui depois de resultado revisado pelo time. As decisões de arquitetura ficam escritas e a revisão técnica é parte do ritmo normal. Benefícios oferecidos pela empresa contratante: Ambiente colaborativo, com senso de comunidade e conquistas celebradas em equipe Trabalhe de qualquer lugar, com liberdade e flexibilidade Conexão global: convivência com times de diferentes países e culturas Apoio à saúde física com TotalPass e Mediquo Cuidado com a saúde mental pelo programa Team Care Contratação e jornada definidas com a empresa contratante Tecnologias envolvidas: Python PyTorch TensorFlow CUDA ONNX Docker Git Séries temporais Otimização de inferência Seus dados: tratados conforme a LGPD, com remoção a qualquer momento, a pedido. #J-18808-Ljbffr Sylision