Empresa: Dock
E o dia a dia, como será? Buscamos por talentos inigualáveis para nos ajudar a espalhar o poder financeiro! Nesta função, você irá: • Definir o Plano de Pesquisa: Estruturar o pré-treino auto-supervisionado, lidar com tokenização de campos heterogêneos (categori a de loja, valor, tempo, local, etc.) e realizar a escolha da me lhor arquitetura do modelo . • Desenhar Protocolos Estritos de Avaliação: Criar o ambiente de validação incluindo fea tures point-in-time , divisão robusta por tempo e entidade, execução de bootstrap pareado, testes com múltiplas sementes e testes de embaralhamento de ordem de eve ntos . • Estudar Transferência de Aprendizado: Investigar e comparar a eficiência de aprendizado (baseline vs. embedding congelado em GBDT vs. fine-tuning completo ou técnicas como LoRA) de forma multitarefa . • Liderança e Orientação Técnica: Ser a referência técnica ("mão na massa") para o time de dados, revisar códigos científicos, manter todos os experimentos reprodutíveis e desenhar mode los servíveis alinhando custo e latência junto à engenharia . • Tomada de Decisão Transparente: Escrever relatórios executivos de decisã o (go / no-go) perfeitamente compreensíveis e com nível de incerteza explícito . O que esperamos de você? • 6+ anos de experiência sênior em ML aplicado, com pelo menos 2 anos dedicados ao treinamento do zero de modelos de sequência ou Transformers na linguagem PyTorch . • Profunda experiência trabalhando com dados tabulares, dados orientados a eventos ou séries temporais irregulares . • Conhecimento e rigor inegociável na avaliação para combater vazamento temporal (data leakage) e entender o amadurecimento de rótulos com o passar do tempo . • Mestrado ou Doutorado nas áreas de Estatística, Machine Learning, Computação, Matemática Aplicada, ou um histórico equivalente de entregas técnicas robustas . • Maturidade científica e sinceridade profissional: capacidade de relatar falhas ou resultados negativos com a mesma clareza que os sucessos, questionando de imediato qualquer métrica "milagrosa" . É desejável que você tenha: • Publicações aprovadas em conferências relevantes do ecossistema científico (como NeurIPS, ICML, ICLR, KDD, ICAIF) focadas em dados tabulares ou séries temporais . • Prática na área financeira englobando fraude, crédito e pagamentos, utilizando análise de sobrevivência, inferência causal ou modelagem de uplift . • Vivência prática no gerenciamento de treinamentos distribuídos multi-GPU (DDP/FSDP) e métodos de otimização/eficiência como LoRA, quantização e destilação de modelos . • Familiaridade sobre como implementar modelos alinhados aos requisitos de segurança de meios de pagamentos e regulações de privacidade como a LGPD . E quais são os benefícios? • Auxílio alimentação (mercado & restaurante); • Plano de saúde e odontológico; • Hospital digital; • Suporte psicológico para psicoterapia online; • Orientação ergonômica; • Wellhub e TotalPass; • Auxílio mensal para despesas remote first; • Previdência privada após 6 meses de trabalho; • Licença parental estendida; • Auxílio creche; • Auxílio para pais de filhos especiais; • Plataforma de idiomas; • Disponibilidade de coworking no Brasil inteiro. Sobre a empresa: Quem é a Dock? Há mais de 20 anos, cumprimos a missão de democratizar o acesso a serviços financeiros, tornando experiências financeiras mais simples e acessíveis. Somos um time de pessoas obstinadas, que acreditam na tecnologia e nos serviços como os principais facilitadores para a evolução de nossos clientes e a transformação do papel das finanças. Atuando em 11 localidades pela América Latina, trabalhamos sob o propósito de desmaterializar o universo financeiro para impulsionar a sociedade. Como é o nosso time de Inovação e Modelos de Sequência? Você fará parte de um time dedicado a provar – com extremo rigor científico – se uma arquitetura de modelo de fundação baseada em sequências de eventos financeiros reais pode ser transferida, com sucesso, para diversas tarefas de negócio (como fraude, crédito e Pix) . Nossa missão é encontrar ganhos concretos frente a baselines fortes, ou ser a voz científica capaz de dizer "não" caso as evidências não sustentem o investimento .