Engenheiro de Machine Learning Pleno; Score de Crédito no Varejo

Nível: pleno.

Modelo de trabalho: 100% Remoto.

Contratação: tempo integral, CLT ou PJ.

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.

• 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

• 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

• 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

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.

• 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
• scikit-learn
• XGBoost
• MLflow
• SQL
• Docker
• Airflow
• Git
• Explicabilidade

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