Engenheiro(a) de Machine Learning Sênior (Score de Crédito em Meios de Pagamento)

Vaga aberta de Engenheiro(a) de Machine Learning Sênior (Score de Crédito em Meios de Pagamento) . 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: Numa empresa de meios de pagamento, o score de crédito decide quanto antecipar de recebíveis a um lojista ou qual limite oferecer a um portador. Você vai construir e manter o modelo que estima a probabilidade de inadimplência a partir do histórico transacional: volume de vendas, sazonalidade, taxa de chargeback, concentração de clientes, comportamento de recebimento e dados cadastrais. A modelagem de crédito tem armadilhas próprias. Quem foi recusado não tem desfecho observado e distorce o treino, um rótulo de inadimplência só amadurece depois de muitos meses, e a política mudou ao longo do histórico. Há exigência de explicar o motivo de uma decisão, de evitar discriminação e de justificar o modelo à área de risco e à auditoria. O sucesso se mede em poder de separação (KS, AUC), em estabilidade por safra, em calibração das probabilidades e em perda evitada. O que você vai fazer: Definir o evento de inadimplência, a janela de observação e o tratamento de amostras sem desfecho Construir variáveis do comportamento transacional com agregações temporais, sem vazamento do futuro Treinar e comparar modelos de gradiente e de regressão logística, com validação por safra Calibrar as probabilidades e traduzi-las em faixas de risco ligadas a limite e a preço Gerar explicações por decisão e por variável, e revisar efeito de cada uma com a área de risco Medir estabilidade da população e do desempenho, e acionar a revisão quando houver desvio Versionar dados, modelos e política, mantendo trilha de auditoria completa Requisitos: Modelagem de risco de crédito: definição de default, safras, KS, AUC, calibração Tratamento de viés de seleção e de inferência de rejeitados Treino e validação de modelos tabulares com cuidado contra vazamento de dados Explicabilidade de modelos e critérios para modelos permitidos em decisão regulada SQL, Python, MLflow e orquestração de pipelines em produção Interlocução com risco, jurídico e auditoria Diferenciais: Conhecimento da regulação brasileira de crédito e de proteção de dados Ter feito monitoramento de modelo de crédito em produção Prática com restrições de monotonicidade em modelos de gradiente Noção de fraude e de sua diferença em relação ao risco de crédito Como é trabalhar aqui: Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. Modelos de crédito só vão para produção depois de validação independente de outra pessoa do time e de aprovação da área de risco. As decisões de variável e de corte ficam registradas, e o desempenho por safra é revisado todo mês. Na candidatura, informe a sua pretensão salarial. 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 XGBoost scikit-learn SQL MLflow Airflow Docker Git Seus dados: tratados conforme a LGPD, com remoção a qualquer momento, a pedido. #J-18808-Ljbffr Sylision