O que Buscamos para Somar ao nosso #TopazTeam:Ciência de Dados e ModelagemAnalisar dados estruturados e não-estruturados para identificar padrões de fraude e lavagem de dinheiroDesenvolver modelos de Machine Learning (classificação, clusterização, detecção de anomalias) para problemas de segurança financeiraAplicar feature engineering, tratar missing values, normalizar dados e balancear datasetsEvitar data leakage na separação e validação de datasetsCriar visualizações para comunicar resultados a diferentes públicosExperimentar algoritmos diversos (ScikitLearn, LightGBM, CatBoost, Keras, TensorFlow, PyTorch)Engenharia de DadosTrabalhar com bancos de dados distribuídos (Athena, Hive, Spark) processando grandes volumesOtimizar queries SQL reduzindo custos e tempo de execuçãoManipular dados estruturados (CSV, Parquet) e não-estruturados (JSON, imagens)Desenvolver pipelines de transformação e preparação de dadosMachine Learning EngineeringCriar e manter pipelines automatizados de ML (treinamento, validação, deploy)Containerizar aplicações com DockerGerenciar PODs e deployments com KubernetesGarantir escalabilidade e disponibilidade das soluçõesMonitoramento e ManutençãoMonitorar performance dos modelos em produçãoDetectar e corrigir data drift e concept driftConfigurar alertas e dashboards de métricasImplementar retreinamento automático e versionamento de modelosAplicar técnicas de explicabilidade (XAI) para conformidade regulatóriaInovaçãoPesquisar novas tecnologias e algoritmos de MLContribuir com boas práticas e documentação técnicaManter-se atualizado em Data Science e Machine LearningRequisitos ObrigatóriosFundamentosMatemática e Estatística:Sólido conhecimento em matemática, estatística e probabilidadeMachine Learning:Experiência com algoritmos de classificação, clusterização e detecção de anomaliasDomínio do ciclo completo de ML: transformação, feature engineering, treinamento, validaçãoFrameworks: ScikitLearn, LightGBM, CatBoost, Keras, TensorFlow, PyTorchDados:Manipulação com Numpy e PandasDados não-estruturados (JSON, imagens)Visualização (Matplotlib, Seaborn, Plotly, ApexCharts)Bancos de Dados:Experiência com SQL e bancos relacionaisNoSQL (MongoDB, DocumentDB, DynamoDB)Bancos distribuídos (Athena, Hive, Spark)Otimização de queriesORM em PythonPython:Desenvolvimento robusto em PythonGit para versionamentoEstruturas de dados, algoritmos e design patternsTestes: pytest (unitários), Locust (carga)Cloud e Infraestrutura (AWS):S3, Athena, DynamoDB, EC2, Lambda, ECR, ECS/EKSDocker para containerizaçãoKubernetes para orquestraçãoTerraform (conceitos básicos)GitLab CI/CD (conceitos básicos)DiferenciaisFerramentas MLOps (Dagster, MLflow, Kubeflow, Airflow)Feature Stores e Model RegistryExperiência em detecção de fraudes, anomalias ou segurança financeiraNLP ou processamento de imagens (OpenCV, PIL)Certificações AWS (Solutions Architect, ML Specialty)Contribuições open source ou publicações técnicaSe você tem esse perfil e quer fazer parte de um time inovador e dinâmico, venha para a Topaz! Seu Papel como Protagonista da Transformação:Na Topaz, você será responsável por liderar o desenvolvimento e a implantação de modelos avançados que impulsionam a prevenção de fraudes em larga escala. Seu dia-a-dia será desafiador e repleto de oportunidades para aplicar suas habilidades técnicas e estratégicas. Entre as principais atividades estão:· Desenvolvimento e Experimentação de Modelos:Projetar, treinar e validar modelos de aprendizado de máquina utilizando algoritmos avançados.Realizar experimentos para testar novas abordagens, ajustando hiper parâmetros e avaliando métricas como FPR e recall.· Implantação e Monitoramento em Produção:Trabalhar em conjunto com engenheiros MLOps para criar pipelines robustos que garantam a escalabilidade dos modelos em ambientes produtivos.Monitorar o desempenho dos modelos em produção, identificando possíveis degradações ou oportunidades para melhorias contínuas.· Otimização e Manutenção Contínua:Atualizar os modelos com novos dados para garantir que permaneçam relevantes frente a mudanças no comportamento fraudulento.Implementar técnicas de explicabilidade para tornar os modelos transparentes e alinhados às regulamentações aplicáveis.· Pesquisa e Inovação:Explorar novas tecnologias, frameworks e algoritmos para manter a solução na vanguarda da detecção de fraudes.Contribuir para a criação de boas práticas e padrões técnicos dentro da equipe.