A Bemobi processa mais de **R$ 12 bilhões por ano** para mais de 1\.500 clientes em mais de 60 países. Operamos transações para clientes de diferentes segmentos, como telecom, utilities, educação, saúde, etc. Nossa plataforma proprietária de prevenção a fraudes analisa mais de **35 milhões de transações por mês** e decide, **dentro do fluxo de autorização e em menos de um segundo**, o que passa e o que é bloqueado. Ela não pode cair: roda 24 por 7, com 99,9% de disponibilidade. Cada ponto\-base de perda evitada e cada ponto de aprovação recuperado aparecem direto no resultado dos nossos clientes. É um problema onde a sua decisão técnica tem valor em reais. Procuramos alguém para **assumir modelos de ponta a ponta**, do dado bruto à decisão em produção. E ajudar a transformar uma operação para reduzir cada vez mais trabalho manual em uma plataforma com disciplina de engenharia. Você precisa ser forte em ciência de dados e querer um problema **adversarial**: aqui o padrão muda porque a fraude se adapta para encontrar novos caminhos e o modelo que funcionava no mês passado pode não servir no próximo. É um trabalho contínuo e exatamente por isso que é interessante. **Responsabilidades e atribuições** * Construir e manter scores de risco transacional que entram na decisão em tempo real, com orçamento de latência medido em milissegundos. * Trabalhar o ciclo completo: exploração, engenharia de features, treino, validação, calibração, definição de threshold e deploy. * Lidar com os dois problemas que tornam fraude diferente de qualquer outro problema de classificação: desbalanceamento severo e rótulo que chega com semanas de atraso. * Acompanhar o que está no ar com as métricas técnicas (KS, AUC/Gini, precisão, recall, etc.) e impacto em R$. * Monitorar a estabilidade da população, *drift* e criar alarmes para nos anteciparmos a cenários de exposição ao risco. * Aplicar técnicas de explicabilidade de forma que a decisão seja auditável e defensável diante de negócio, do cliente e, quando preciso, de compliance. * Construir as agregações que alimentam a decisão (janelas de velocidade, correlação cruzada entre cartão, identidade, dispositivo e IP) e perfis de comportamento. * Familiaridade com o conceito de features store online e offline. * Trabalhar o data lake de ponta a ponta, conhecendo PySpark, Airflow e SQL sobre volumes grandes de dados. * Entender o modus operandi de quem ataca, não só o modelo. Investigar padrões novos e transformá\-los em features, regras e thresholds. * Simular sobre histórico e rodar teste A/B em produção antes de uma mudança valer para todo mundo. * Quantificar o trade\-off central da área: perda por fraude × taxa de aprovação × custo operacional. Uma recomendação aqui sempre busca avaliar o impacto financeiro. * Avaliar fornecedores externos de sinal: bureaus, inteligência de identidade e dispositivo e comparando performance e custo contra os modelos internos, para embasar decisões de construir ou comprar com dado. * Usar IA generativa para eliminar trabalho repetitivo: triagem de alertas, investigação assistida de casos, documentação de features, geração de relatórios. * Criar e manter agentes que automatizam parte do trabalho do dia\-a\-dia, como análise primária da saúde de um produto e mapeamento de principais padrões de fraude. * Como tornar a IA uma aliada no processo de decisão na detecção de fraudes. -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------