Brasilien
C6 Bank
Tractian
Data Scientist - Predictive Maintenance
RemoteBrasilien
São Paulo, São Paulo, Brazil
Python
Automatische Übersetzung. Prüfe das Original.
DATA SCIENCE BEI TRACTIAN
Das Data Science Team bei Tractian entwickelt machine learning-Systeme, die industrielle Daten in zuverlässige, umsetzbare Erkenntnisse umwandeln. Wir arbeiten mit umfangreichen Sensordaten und komplexen Zeitreihensignalen und entwickeln Modelle, die Industrieunternehmen helfen, das Verhalten von Anlagen zu verstehen, Anomalien zu erkennen, Ausfälle vorherzusagen und bessere Wartungsentscheidungen zu treffen.
Unser Fokus geht über die reine Modellentwicklung hinaus. Wir bauen und entwickeln produktionsreife ML-Lösungen, die fortschrittliche Modellierungstechniken mit robusten Softwaresystemen verbinden. Dies umfasst das Design skalierbarer Inferenz-Pipelines, die Überwachung der Modellleistung in realen Umgebungen, die Bewältigung von Daten- und Konzeptdrift sowie die Sicherstellung, dass unsere Modelle zuverlässig bleiben, wenn sich das Maschinenverhalten und die Betriebsbedingungen ändern.
WAS SIE TUN WERDEN
Als Data Scientist mit Schwerpunkt auf Zeitreihen und Predictive Maintenance entwickeln, implementieren und verbessern Sie kontinuierlich machine learning-Systeme, die auf realen Industriedaten operieren.
Sie arbeiten über den gesamten ML-Lebenszyklus hinweg, von der Erforschung neuer Modellierungsansätze und der Validierung von Hypothesen bis hin zum Aufbau produktionsreifer Inferenzsysteme und deren Überwachung im großen Maßstab. Sie werden Herausforderungen im Zusammenhang mit nicht-stationären Zeitreihen, heterogenen Anlagen, verrauschten Sensordaten, Verteilungsverschiebungen und den betrieblichen Einschränkungen bei der Implementierung von ML in industriellen Umgebungen bewältigen.
Sie arbeiten eng mit Data Scientists, Software-Ingenieuren und Laborteams zusammen, um Forschung und Experimente in zuverlässige Produkte zu verwandeln, die unseren Kunden einen messbaren Mehrwert bieten.
VERANTWORTLICHKEITEN
- Entwicklung von Zeitreihen-ML-Modellen: Entwerfen und Implementieren von machine learning-Algorithmen für Anomalieerkennung, Prognose, Verhaltensmodellierung und Zustandsüberwachung unter Verwendung von industriellen Sensordaten im großen Maßstab.
- Produktivsetzung von machine learning-Lösungen: Überführung von experimentellen Modellen in zuverlässige, wartbare und skalierbare Produktionssysteme unter Berücksichtigung von Inferenzlatenz, Recheneffizienz, Speichernutzung und Betriebskosten.
- Aufbau von Systemen zur Modellüberwachung und -bewertung: Entwerfen von Metriken, Diagnosen und Überwachungsmechanismen zur Verfolgung von Datenqualität, Feature-Verteilungen, Anomalie-Scores, Vorhersagestabilität sowie Modell-Drift und Leistung über die Zeit.
- Entwurf robuster Modellierungsstrategien: Untersuchung von Ansätzen, die prädiktive Leistung, Generalisierung, Anpassungsfähigkeit, Interpretierbarkeit und Wartungskosten unter sich ändernden Betriebsbedingungen ausbalancieren.
- Erstellung von Zeitreihen-Repräsentationen: Entwicklung von Techniken für Feature-Extraktion, Signalverarbeitung und Repräsentationslernen, um bedeutungsvolle zeitliche und physikalische Muster aus industriellen Sensordaten zu erfassen.
- Durchführung rigoroser Experimente: Formulierung von Hypothesen, Design von kontrollierten Experimenten, Benchmarking alternativer Ansätze und Bewertung von Modellen unter Verwendung geeigneter zeitlicher Validierungsstrategien und realistischer Einsatzszenarien.
- Optimierung von ML-Pipelines: Verbesserung von Datenverarbeitung, Feature- Berechnung, Modell-Serving und Inferenz-Workflows zur Unterstützung von Hochdurchsatz-, Low-Latency- und ressourceneffizienten Anwendungen.
- Brücke zwischen Forschung und Produktion: Bewertung von State-of-the-Art- Methoden und Übersetzung vielversprechender Techniken in praktische, testbare und produktionsreife Lösungen.
- Interdisziplinäre Zusammenarbeit: Zusammenarbeit mit Software-Ingenieuren, Produktteams und Laborspezialisten zur Validierung von Modellen, zur Untersuchung von Fehlerfällen und zur kontinuierlichen Verbesserung der Zuverlässigkeit unserer Predictive-Maintenance-Produkte.
ANFORDERUNGEN
- Starker Hintergrund in machine learning, mit praktischer Erfahrung in der Entwicklung von Modellen für Zeitreihendaten, Anomalieerkennung, Prognose oder verwandte sequentielle Modellierungsprobleme.
- Beherrschung von Python und gängigen ML- und Datenverarbeitungsbibliotheken wie NumPy, pandas, scikit-learn, PyTorch oder gleichwertigen Frameworks.
- Erfahrung in der Überführung von machine learning-Modellen von der Experimentierphase in die Produktion, einschließlich Codeorganisation, Tests, Leistungsoptimierung und Integration in Daten- oder Inferenz-Pipelines.
- Solides Verständnis der Zeitreihen-Grundlagen, einschließlich zeitlicher Abhängigkeiten, Nicht-Stationarität, Saisonalität, Rauschen und geeigneter Validierungsstrategien.
- Verständnis von Daten-Drift und Modellverschlechterung in der Produktion, einschließlich Techniken zur Überwachung von Verteilungsverschiebungen, zur Bewertung der Modellstabilität und zur Identifizierung notwendiger Modellaktualisungen.
- Starke Software-Engineering-Fähigkeiten, einschließlich des Schreibens von modularem, testbarem, wartbarem Code und des Entwurfs von Lösungen, die zuverlässig im großen Maßstab betrieben werden können.
- Erfahrung im Design von Experimenten und im Benchmarking von Modellen unter Verwendung geeigneter Metriken, Baselines und Validierungsmethoden.
- Fähigkeit, komplexe, verrauschte, hochdimensionale Daten zu analysieren und empirische Ergebnisse in fundierte technische Entscheidungen zu übersetzen.
- Fließende Englisch- und Portugiesischkenntnisse.
BONUSPUNKTE
- Erfahrung mit Zeitreihen von Sensordaten, insbesondere Vibrationen, Beschleunigung, Geschwindigkeit, Strom, Temperatur, Druck oder anderen Sensorsignalen.
- Kenntnisse in Signalverarbeitung, Spektralanalyse, Feature Engineering und Zustandsüberwachung.
- Erfahrung mit Produktions-ML-Observability, Modellüberwachung, automatisierter Bewertung, Retraining-Pipelines oder Model-Lifecycle-Management.
- Erfahrung mit Online-Lernen, adaptiven Modellen, unüberwachtem oder selbstüberwachtem Lernen oder Methoden, die zur Handhabung sich ändernder Datenverteilungen entwickelt wurden.
- Erfahrung in der Überführung akademischer Forschung in zuverlässige, produktionsreife ML-Systeme.
- Vertrautheit mit Cloud-Infrastruktur, Containerisierung, Orchestrierung und ML-Deployment-Tools.
- Vorerfahrung in industriellen Anwendungen, Fertigung, IoT oder Predictive Maintenance.
VERGÜTUNG & LEISTUNGEN
- Wettbewerbsfähige Vergütung
- 30 Tage bezahlter Jahresurlaub
- Stipendium für Bildung und Kurse
- Erhalten Sie alle 4 Jahre eine Reise überall auf der Welt
- R$1.035/Monat für Verpflegungsgeld
- Krankenversicherung mit nationaler Abdeckung und ohne Zuzahlung
- Zahnzusatzversicherung: Wir unterstützen Sie bei Zahnbehandlungen für eine bessere Lebensqualität.
- Wellhub-Mitgliedschaft: Zugang zu einer breiten Palette von Fitnessstudios und Trainingsprogrammen.
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen
