Engenheiro de Deep Learning Pleno; Séries Temporais em Bancos Digitais Job Philadelphia area,Pennsylvania USA,Engineering

Position: Engenheiro(a) de Deep Learning Pleno (Séries Temporais em Bancos Digitais)

Vaga aberta de Engenheiro(a) de Deep Learning Pleno (Séries Temporais em Bancos Digitais). A empresa contratante é confidencial neste anúncio, e a seleção é conduzida pela Sylision.

Nível: pleno.

Modelo de trabalho: 100% Remoto.

Contratação: tempo integral, CLT ou PJ.

Sobre a vaga:

Um banco digital precisa saber quanto vai passar pelo Pix nas próximas horas, qual será o saldo agregado de saída no dia do pagamento e quando o volume foge do padrão a ponto de sugerir falha ou ataque. Previsão ruim significa liquidez parada em excesso ou falta de caixa, fila na infraestrutura ou alerta de anomalia que dispara a toda hora e é ignorado.

Você vai construir os modelos de redes neurais que fazem essas previsões.

As séries têm muitas camadas de sazonalidade: hora, dia da semana, quinto dia útil, feriado local, promoção, vésperas de feriado prolongado. Há quebras de comportamento quando uma campanha atrai milhares de contas, dados faltando por falha de coleta e eventos raros, mas caros. Uma previsão de ponto não basta; a área de tesouraria precisa de faixa de incerteza, como o percentil 95 do volume.

O sucesso se mede por erro percentual e erro de quantil em janelas fora da amostra, pelo número de falsos alertas por semana e pela latência da previsão, que alimenta decisões em minutos. Tudo corre com dado agregado, sem identificação de cliente.

O que você vai fazer:

Preparar séries de volume por canal, tipo de transação e horário, tratando lacunas e atrasos
Treinar redes de sequência, convolucionais e de atenção e comparar com linhas de base simples
Produzir previsão probabilística com quantis para uso da tesouraria
Modelar calendário, feriados e eventos de campanha como variáveis conhecidas
Detectar anomalia com resíduo da previsão e ajustar o limiar para poucos falsos alertas
Validar com janela móvel, respeitando a ordem do tempo
Otimizar o modelo para inferência rápida e exportar para ONNX
Monitorar a deriva e acionar o retreino quando o erro piorar

Requisitos:

Redes neurais para séries temporais, com PyTorch ou Tensor Flow
Validação por janela móvel e métricas de erro percentual e de quantil

Pré-processamento de série: sazonalidade, tendência e dados faltantes
Comparação honesta com modelos estatísticos clássicos
Python organizado, testável e reproduzível
Treino em GPU e noção de custo de inferência

Diferenciais:

Ter feito previsão de demanda ou de carga em sistemas com picos
Conhecimento de perda de quantil e de conformal prediction
Experiência com detecção de anomalia em tempo quase real
Noção de séries hierárquicas e reconciliação

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. Resultados são apresentados com a linha de base ao lado, para ficar claro quanto a rede neural realmente acrescenta. O código de treino é revisado por outra pessoa, e o painel de erro por semana é acompanhado em conjunto com a tesouraria.

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

Tecnologias envolvidas:

Python
Py Torch
Séries temporais
CUDA
ONNX
Docker
Previsão probabilística
Detecção de anomalias
Git

Seus dados:

tratados conforme a LGPD, com remoção a qualquer momento, a pedido.