Engenheiro de Machine Learning Sênior; Detecção de Fraude na Educação

Position: Engenheiro(a) de Machine Learning Sênior (Detecção de Fraude na Educação)

Vaga aberta de Engenheiro(a) de Machine Learning Sênior (Detecção de Fraude na Educação). 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:

Fraude em educação tem várias formas: inscrição com documento falso para pegar bolsa, cadastro em massa para explorar um desconto de indicação, pagamento com cartão roubado de curso online, certificado emitido para quem não concluiu, e até aluno fantasma para inflar repasse. Cada tipo deixa rastros diferentes, e os fraudadores adaptam o comportamento rápido, assim que percebem o bloqueio.

Você vai construir modelos de detecção que pontuam eventos em tempo quase real: inscrição, pagamento, resgate de benefício, emissão de certificado. Fraude é rara, então a classe de interesse é minúscula e os rótulos chegam atrasados e incompletos, quase sempre só do que foi pego. Isso exige cuidado com amostragem, com métricas que não escondem o problema atrás de uma acurácia alta, e com combinação de regras, grafos de relacionamento e modelos supervisionados.

O equilíbrio é o ponto central. Bloqueio indevido tira um aluno legítimo de uma matrícula, e fraude que passa custa dinheiro e reputação. Você mede o valor evitado, a taxa de bloqueio indevido e o tempo de análise da fila de revisão, e ajusta limiares com a área de prevenção. O modelo também precisa de explicação, porque alguém terá de justificar a recusa.

O

que você vai fazer:

• Mapear os tipos de fraude e os sinais de cada um com a equipe de prevenção
• Construir variáveis de comportamento, de dispositivo e de relacionamento entre cadastros
• Treinar modelos supervisionados e de anomalia, lidando com desbalanceamento e rótulo atrasado
• Escolher métricas e limiares pelo custo de cada tipo de erro, com curva de precisão e cobertura
• Servir o modelo em baixa latência no fluxo de inscrição e de pagamento
• Entregar à fila de revisão a explicação de cada alerta e medir o tempo de análise
• Monitorar adaptação dos fraudadores e acionar atualização dos modelos e das regras

Requisitos:

• Modelagem de fraude ou de anomalia em dados tabulares, com classes raras e rótulos incompletos
• Engenharia de variáveis de comportamento e de grafo de relacionamento
• Python e SQL avançados e levar modelos à produção com latência controlada
• Métricas e limiares orientados por custo, não por acurácia
• Monitoramento de deriva e de adversários que se adaptam
• Diálogo com prevenção, atendimento e jurídico sobre o impacto de um bloqueio

Diferenciais:

• Experiência com pagamentos online, bolsas ou programas de benefício
• Análise de grafo para identificar redes de cadastros ligados
• Aprendizado ativo para escolher o que a revisão humana deve rotular
• Servir variáveis em tempo real com armazenamento próprio
• Conhecimento de explicabilidade por decisão individual

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. O time acompanha semanalmente os alertas confirmados e os bloqueios indevidos, e cada mudança de limiar é combinada com a prevenção. Modelos e regras têm versão e dono, e a revisão de código é obrigatória. 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 Total Pass 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
• Detecção de anomalias
• MLflow
• SQL
• Airflow
• Docker

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