Applied ML Scientist

A equipa de Machine Learning da Enterprise impulsiona o valor organizacional através de soluções de ML escaláveis e insights baseados em dados, mudando fundamentalmente a forma como as decisões de negócios são tomadas. Colaboramos de perto com as partes interessadas, aplicando os mais recentes avanços em machine learning e modelagem estatística para criar resultados altamente impactantes.

Temos passado o último ano a consolidar e validar os nossos dados de receita, e agora a maioria dos sinais vive num só lugar. O próximo passo é construir uma camada de inteligência do cliente: sistemas que aprendem dinamicamente quais sinais impulsionam resultados, adaptam-se à medida que o negócio evolui e revelam insights que mudam a forma como agimos.

Como Cientista de ML Aplicado, você será a pessoa que fará isso acontecer. Você treinará modelos, projetará experimentos e descobrirá os padrões que conectam o comportamento do cliente aos resultados de receita. Depois, enviará esses insights como sistemas de produção dos quais o negócio depende diariamente. Você possui problemas de ponta a ponta: desde formular a pergunta certa, até treinar e validar modelos, implantá-los e medir se realmente impactaram os resultados, em um ciclo de feedback fechado.

Você trabalhará ao lado de uma equipe de Engenheiros de AI/ML, Engenheiros de Dados e Analistas como parte do departamento de Dados e Análise da Enterprise. Seu foco é a ciência: entender o que impulsiona os resultados, construir modelos que aprendem com os dados e transformar esse entendimento em sistemas que funcionam.

Responsabilidades Principais

• Treinar, avaliar e implantar modelos que preveem e explicam resultados relacionados à receita (churn, expansão, conversão, engajamento).
• Projetar e executar experimentos para estabelecer relações entre sinais de clientes e resultados de negócios.
• Construir pipelines de ML de produção que aprendem continuamente: ingerir novos dados, re-treinar, validar e servir previsões em escala.
• Trabalhar com grandes volumes de dados estruturados (métricas de uso, eventos de receita, atributos de conta) e dados não estruturados (tickets de suporte, conversas, feedback de produtos).
• Usar LLMs e deep learning onde forem as ferramentas certas (embeddings, fine-tuning, extração de características de texto).
• Definir e acompanhar o desempenho do modelo em produção: monitorar desvios, medir impacto nos negócios e iterar quando os modelos se degradam.
• Possuir seus modelos de ponta a ponta, desde o protótipo até a implantação em produção, monitoramento e manutenção.
• Colaborar com produto e engenharia para incorporar inteligência onde os usuários tomam decisões.
• Traduzir saídas de modelos em insights acionáveis para equipes de vendas, sucesso e produto: tornar a camada de inteligência útil, não apenas precisa.
• Colaborar com partes interessadas para identificar perguntas de alto impacto e priorizar o trabalho de modelagem com base no impacto esperado nos negócios.

Este Papel É Para Você Se...

• Você obtém mais satisfação de um modelo simples que é enviado e move uma métrica do que de um complexo que pontua bem em um conjunto de validação.
• Você treinou modelos em dados reais e bagunçados e lidou com as partes menos glamorosas: ruído de rótulo, desequilíbrio de classes, vazamento de características, desvio de dados.
• Você escreve Python de produção - testes, dicas de tipo, abstrações limpas - não apenas notebooks com df_final_v3.
• Você pensa sobre problemas em termos de "o que alguém fará de diferente por causa disso?" em vez de "qual é a técnica mais sofisticada?".
• Você se importa que os usuários realmente mudem de comportamento por causa do seu trabalho: você não terminou quando o modelo está preciso, você terminou quando alguém age de forma diferente.
• Você forma opiniões sobre o que construir a seguir com base em dados e compreensão do usuário, não apenas no que lhe foi atribuído.

O Que Estamos Procurando

• 3-5 anos de experiência em machine learning aplicado, ciência de dados ou área relacionada.
• BA/BS em Ciência da Computação, Estatística, Matemática ou disciplina quantitativa relacionada.
• Graus avançados são bem-vindos, mas não são obrigatórios.
• Fundamentos sólidos em modelagem estatística e machine learning: regressão, classificação, análise de sobrevivência, inferência causal, modelagem de uplift ou similar.
• Experiência em treinar modelos em conjuntos de dados do mundo real: engenharia de características, estratégia de validação, lidando com dados bagunçados em escala.
• Conforto em trabalhar com dados não estruturados (texto, conversas) usando embeddings, fine-tuning ou representações aprendidas: você entende LLMs como ferramentas de modelagem, não apenas pontos finais de API.
• Fortes habilidades de programação em Python: você escreve código de qualidade de produção com testes, não apenas scripts.
• Fortes habilidades em SQL e experiência com armazéns de dados em nuvem (Snowflake preferido).
• Experiência em implantar e monitorar modelos em produção (em lote ou em tempo real).
• Desejável: Experiência com design de experimentos, testes A/B e inferência causal.
• Desejável: Experiência com ferramentas de orquestração (Airflow, dbt ou similar).
• Desejável: Experiência com fluxos de trabalho de desenvolvimento assistidos por IA (Claude Code, Cursor, Copilot ou similar).

A Zendesk acredita em oferecer às nossas pessoas uma experiência gratificante e inclusiva. Nossa forma híbrida de trabalhar permite que nos reunamos pessoalmente, em um dos nossos muitos escritórios da Zendesk ao redor do mundo, para conectar, colaborar e aprender, enquanto também damos às nossas pessoas a flexibilidade de trabalhar remotamente parte da semana.