Engenheiro(a) de Machine Learning Pleno (Score de Crédito no Varejo)
Sobre a vaga
Vaga aberta de Engenheiro(a) de Machine Learning Pleno (Score de Crédito no Varejo). A empresa contratante é confidencial neste anúncio, e a seleção é conduzida pela Sylision. Modelo 100% remoto. Contratação: tempo integral, CLT ou PJ.
Publicada em 02/11/2026.
O crediário e o cartão da loja decidem na boca do caixa, ou no checkout do aplicativo, se a pessoa leva o produto a prazo. O modelo de score combina histórico de compras e de pagamentos, dados de bureau e comportamento recente, e devolve a decisão em menos de 200 milissegundos. Você vai levar esse modelo do experimento ao serviço, e mantê-lo saudável depois.
O difícil está nos dados. O rótulo de inadimplência só amadurece depois de 90 dias do vencimento, então o modelo é treinado com o passado e decide sobre um presente que mudou. Quem foi recusado nunca revela se pagaria, o que enviesa a amostra. E uma variável que parece ótima, como o valor do limite, pode carregar a própria decisão antiga de crédito.
O resultado se acompanha por KS e AUC por safra, estabilidade das variáveis e do score, taxa de aprovação, inadimplência por faixa de score e tempo de resposta. A explicação da recusa precisa estar disponível para o cliente e para a revisão que a LGPD prevê.
O que você vai fazer
- Construir as features a partir do histórico de compra, pagamento e consulta externa, com janelas de tempo corretas
- Treinar e comparar modelos de árvores com validação por safra e sem vazamento temporal
- Tratar a ausência de rótulo dos recusados com técnica de inferência de rejeitados e medir o efeito
- Calibrar o score e propor pontos de corte junto com a área de risco
- Empacotar o modelo e a lógica de features em serviço com versionamento no MLflow
- Orquestrar o retreino e a avaliação com Airflow
- Monitorar deriva por safra e abrir alerta quando o score se desloca
- Gerar a explicação por decisão e documentar o modelo para auditoria
Requisitos
- Python e scikit-learn com pipelines reprodutíveis
- Gradient boosting e noção de seus hiperparâmetros
- SQL para montar tabela de treino com janelas de observação e de desempenho
- Métricas de modelos de crédito, como KS, AUC e estabilidade populacional
- Clareza sobre como o vazamento temporal e o viés de seleção distorcem a métrica de um modelo de crédito
- Docker e Git no dia a dia
Diferenciais
- Ter trabalhado com modelos de política de crédito ou de cobrança
- SHAP ou outro método de explicabilidade aplicado a decisão individual
- Teste de campeão e desafiador em produção
- Noção de regulação de crédito e de decisão automatizada
- Serviço de inferência com baixa latência
Como é trabalhar aqui
Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. O modelo só vai para produção depois de revisão de outra pessoa e de validação com a área de risco, e o histórico de versões fica no registro de experimentos. O desempenho por safra é acompanhado todo mês em uma reunião curta com quem define a política. 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
Vagas parecidas
Como funciona o processo
- Você envia o currículo uma única vez. Ele entra no banco da Sylision e vale para os processos compatíveis, os de hoje e os que abrirem depois.
- A busca é feita por pessoas: quando surge um processo que combina com o que você faz, a gente chama, normalmente por WhatsApp.
- Os seus dados são tratados conforme a LGPD, e a remoção é feita a qualquer momento, a seu pedido.
Antes de aceitar qualquer proposta
A Sylision existe para você saber onde está entrando
Nós somos um acervo público sobre como as empresas funcionam por dentro, feito de respostas de quem já saiu delas. Dá para ver quanto tempo as pessoas ficavam, quantas saíram no último ano e o que mudou de um ano para o outro, antes de você responder a uma proposta.
As vagas são uma porta. O que a gente faz é isto, e ele só existe porque quem já saiu respondeu. Leva de 2 a 3 minutos, é de múltipla escolha, e não pede CPF nem e-mail.
Candidate-se a esta vaga
Anexe o seu currículo. Ele vale para esta vaga e para os próximos processos compatíveis, sem refazer cadastro.