Vaga Freelancer | Repórter de Dados Esportivos (Futebol)
Coletar dados estatísticos ao vivo nos locais dos jogos, por meio do nosso aplicativo para dispositivos Android e iPhone.
Qualificações e Requisitos:
Conhecimento básico de inglês
Possuir um dispositivo Android ou iPhone
Concluir o treinamento online para aprender a trabalhar com o aplicativo móvel
Não é necessário ter formação em jornalismo
Local de trabalho: Estádios de futebol e outros locais esportivos
Remuneração:
62 euros (~ 405 reais) por partida coberta, além de reembolso de despesas de viagem e ingressos
Experiência perfeita para estudantes ou para complementar a renda
Implementação de Inteligência Artificial em Soluções Mobile e Cloud – Totvs
Responsabilidades e atribuições:
Estruturar e preparar pipelines de dados para alimentar soluções de Inteligência Artificial;
Atuar no treinamento, avaliação e evolução de modelos de Machine Learning integrados aos produtos de logística;
Garantir a rastreabilidade e governança dos dados, seguindo os padrões corporativos de qualidade;
Implementar melhorias contínuas em modelos já em produção para garantir a aderência ao negócio.
Requisitos e Qualificações:
Formação superior em Ciência da Computação, Engenharia, Sistemas de Informação ou áreas correlatas;
Prática em estruturação de dados, preparação de datasets e construção de pipelines;
Experiência com fluxos de Machine Learning (treinamento, validação e métricas de performance);
Vivência em ambientes Cloud (AWS, Azure ou GCP);
Conhecimento em arquiteturas de Data Warehouse e Data Lake;
Noções de MLOps, incluindo versionamento de modelos e automação.
Diferenciais:
Proficiência em Python e SQL;
Experiência com GCP (BigQuery);
Conhecimento em IA Generativa e implementação de LLMs;
Prática com streaming de dados e inferência em tempo real;
Experiência prévia em sistemas logísticos ou operacionais.
TerraMagna – Mestre de Dados (Cientista de Dados)
Desafios e responsabilidades:
Desenvolver, implementar e monitorar modelos estatísticos e de machine learning, especialmente modelos de credit scoring e análise de risco;
Produtizar os modelos, trabalhando de forma autônoma da concepção à implementação em produção;
Colaborar com a liderança técnica na definição da arquitetura de dados e nas escolhas tecnológicas do time;
Traduzir problemas complexos de negócio em soluções baseadas em dados, comunicando os resultados de forma clara para audiências técnicas e não técnicas;
Colaborar dinâmica com os times de produto e engenharia;
Manter-se atualizado com tendências e melhores práticas em engenharia e ciência de dados.
Requisitos:
3+ anos de experiência atuando como Cientista de Dados, preferencialmente em startups ou empresas de tecnologia;
Domínio em probabilidade, estatística e modelos de machine learning supervisionados e não supervisionados;
Domínio em Python (Pandas, NumPy, Scikit-Learn, TensorFlow, etc.)
Forte conhecimento em SQL (modelagem, performance e manipulação de grandes volumes de dados);
Experiência em pipelines de machine learning ponta a ponta em produção;
Experiência em versionamento de código com Git/GitHub, deploy em nuvem e automação de fluxos;
Familiaridade com serviços em nuvem, preferencialmente Google Cloud Platform;
Perfil proativo, capacidade de atuar em problemas ambíguos e excelente habilidade de comunicação.
Diferenciais:
Formação acadêmica em Estatística, Ciência da Computação, Data Science, Engenharia, Matemática, Física, Economia ou áreas correlatas;
Experiência com modelagem de risco de crédito, credit scoring ou detecção de fraudes;
Conhecimento de metodologias de inferência causal e experimentação;
Experiência em projetos envolvendo metaheurísticas para otimização combinatória;
Conhecimento no setor do Agronegócio (AgTechs) ou em serviços financeiros.
Minsait – Cloud & DevOps (Infraestrutura e SRE)
Responsabilidades e atribuições:
Expertise em arquitetura AWS, Infraestrutura como Código (Terraform ou CloudFormation);
CI/CD pipelines, design de observabilidade e monitoramento;
Ajuste de desempenho e planejamento de capacidade;
Automação de tarefas operacionais, análise de tendências de incidentes e redução do MTTR;
Metodologia de análise de causa raiz, melhores práticas de DevOps e SRE;
Definição de padrões técnicos e boas práticas para a equipe;
Comunicação clara de conceitos técnicos para perfis não técnicos;
Documentação e storytelling com dados;
Assumir responsabilidade pelo ciclo de vida dos dados.
#J-18808-Ljbffr