Engenheiro de Deep Learning Sênior; Séries Temporais em Recursos Humanos

Vaga aberta de Engenheiro(a) de Deep Learning Sênior (Séries Temporais em Recursos Humanos). A empresa contratante é confidencial neste anúncio, e a seleção é conduzido pela Sylision.

Nível: senior.

Modelo de trabalho: 100% Remoto.

Contratação: tempo integral, CLT ou PJ.

Sobre a vaga:

A área de recursos humanos precisa prever séries semanais: quantas pessoas vão pedir desligamento por unidade, quantas horas extras cada turno vai gerar, quantas vagas abertas ficarão sem candidato. São séries curtas, com sazonalidade de fim de ano, efeito de dissídio e quebras abruptas quando uma unidade fecha ou é reorganizada. Você vai construir modelos de redes neurais para essas séries e provar quando eles realmente superam métodos clássicos.

A tentação em séries temporais é usar uma rede grande onde um modelo simples bastaria. O trabalho exige validação com janela deslizante, sem vazar o futuro para o treino, comparação sempre contra uma linha de base ingênua e contra suavização exponencial, e métricas que respeitem o negócio, como erro percentual ponderado pelo volume e cobertura do intervalo de previsão. Para as séries com pouca história, a saída é treinar um modelo global sobre muitas unidades, com embeddings por unidade.

Como sênior, você decide arquitetura, define a otimização para inferência em lote com ONNX e responde por detectar o momento em que a previsão perdeu validade por mudança estrutural.

• Construir e treinar modelos globais de previsão em PyTorch sobre milhares de séries por unidade
• Validar com janela deslizante, comparando contra linha de base ingênua e métodos estatísticos clássicos
• Produzir previsões probabilísticas, com intervalos cuja cobertura é medida na prática
• Tratar quebras estruturais, feriados e eventos de reorganização como variáveis explicativas
• Exportar modelos para ONNX e otimizar a inferência em lote em GPU
• Monitorar o erro em produção e acionar alerta quando a previsão se degrada
• Definir o padrão de experimentação em séries temporais e orientar quem trabalhar com elas

• Redes para séries temporais, como LSTM, convolução temporal ou transformadores, e quando não usá-las
• PyTorch ou Tensor Flow com treino em GPU
• Validação temporal sem vazamento e escolha de métricas de previsão
• Fundamentos de estatística de séries, como sazonalidade, tendência e estacionariedade
• Preparar modelos treinados para rodar rápido em produção, como com ONNX
• Capacidade de defender a escolha do modelo mais simples quando os números pedem

• Ter usado previsão hierárquica ou conciliação entre níveis
• Experiência com previsão probabilística e regressão quantílica
• Conhecimento de CUDA e de perfilamento de treino
• Prática com dados de pessoas tratados sob a LGPD, incluindo agregação mínima

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. Cada modelo novo vem com um relatório de comparação contra a linha de base e passa por revisão de outra pessoa antes da implantação. O erro em produção é acompanhado semanalmente e discutido com a área que usa a previsão. Na candidatura, informe a sua pretensão salarial.

• 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 Total Pass e Mediquo
• Cuidado com a saúde mental pelo programa Team Care
• Contratação e jornada definidas com a empresa contratante

• Python
• Py Torch
• Tensor Flow
• Séries temporais
• CUDA
• ONNX
• Docker
• Git

Seus dados: tratados conforme a LGPD, com remoção a qualquer momento, a pedido.