Cientista de dados

CIENTISTA DE DADOS - MODELAGEM ESPACIAL DE CRÉDITOS DE BIODIVERSIDADE

OBRIGATÓRIO: Você deve preencher o formulário disponível no link abaixo

https://striped-owner-

SOMENTE SERÃO AVALIADOS(AS) CANDIDATOS(AS) QUE ENVIAREM SUAS INFORMAÇÕES NESTE NO LINK INFORMADO

CONTRATAÇÃO

Tipo de Bolsa
: Bolsa de Desenvolvimento Tecnológico DT-I — R$ 5.200,00 (Valores fixos conforme edital FAPEMIG; sem negociação.

Contratação como pessoa física, sem vínculo CLT, MEI ou PJ.)

Local de Trabalho 100 % home-office, obrigatoriamente residente em Minas Gerais

Formação

: doutorado ou graduação e experiência equivalente (≥6 anos) em ciência de dados, modelagem espacial de dados ambientais ou áreas correlatas.

IMPORTANTE
: Estes requisitos são exigência da FAPEMIG, não sendo possível alterar qualquer ponto.

OBJETIVOS

A EnvironBIT desenvolve a metodologia
Km de Proteção (KmP)

para identificar trechos rodoviários com alto risco de atropelamentos. Os KmP são modelos preditivos definidos km a km que integram dados de atropelamento, variáveis biológicas/ecológicas e tipologias de rodovias, permitindo mapear mais de 400 mil km com 86 % de precisão sem precisar estudar cada trecho. Esses modelos substituem estudos de campo longos e custosos e entregam risco por horário do dia, consideram sazonalidade e avaliam o comportamento do motorista (redução de velocidade). A empresa ampliou essa abordagem para criar os
Créditos de Fauna (CF)

. Inspirados nos créditos de carbono, os CF quantificam quantas vidas animais são preservadas quando motoristas reduzem a velocidade em trechos de risco; a quantidade de créditos depende do nível de risco do Km percorrido e da velocidade do veículo em relação ao limite da via. 

O profissional desta vaga liderará o desenvolvimento do
algoritmo que calcula os Créditos de Fauna

, integrando os modelos KmP com
variáveis de comportamento do motorista

. O algoritmo deve seguir padrões de medição, reporte e verificação (MRV) compatíveis com certificações internacionais e possibilitar tokenização dos créditos no futuro.

RESPONSABILIDADES

Mês 1 – Imersão e Planejamento

• Realizar imersão em
  Créditos de Fauna

e
Km de Proteção

, consultando literatura científica, legislação de créditos de biodiversidade, reuniões com equipe interna e documentos internos da EnvironBIT. Compreender a relação entre risco, velocidade e vidas salvas.
- Mapear fontes de dados geoespaciais e de tráfego: bases de atropelamentos, dados de volume e velocidade (sistemas U‑Safe, telemetria de frotas, APIs de trânsito), limites de velocidade e características das vias.
- Documentar pipeline de ingestão de dados e cronograma de entrega.

Meses 2‑4 – Protótipo do Algoritmo (versão 0.5)

• Aprender sobre nosso
  data warehouse geoespacial

integrando KmP (variáveis de risco), dados de tráfego e telemetria (velocidade do veículo) e limites de velocidade.
- Desenvolver protótipo (v0.5) do
algoritmo de Créditos de Fauna

utilizando Python e bibliotecas como Pandas, NumPy, Scikit‑Learn, GeoPandas e PostGIS. O algoritmo deve calcular créditos ponderando o risco de cada quilômetro (KmP) e a mudança de comportamento dos motoristas.
- Definir métricas preliminares de performance (AUC, R²) e validar com dados históricos.

Meses 5‑6 – Algoritmo v0.8, Test Harness e Integração MRV

• Otimizar o algoritmo para atingir ≥80 % da meta de desempenho e cobrir ≥80 % do código com testes automatizados.
• Desenvolver
  pipeline MRV

reprodutível, incluindo ETL transparente e logs para auditoria externa. Garantir compatibilidade com requisitos de certificação de créditos ambientais.

Meses 7‑8 – Algoritmo v1.0 e API Dockerizada

• Estabilizar o algoritmo (v1.0) e criar
  API REST

para integração com o SaaS da EnvironBIT e sistemas de frotas.
- Empacotar a solução em container (Docker) e implementar
CI/CD

para deploy automatizado.

Meses 9‑10 – Algoritmo v2.0 e Tokenização

• Integrar novos fluxos de dados: condições climáticas, dados de fauna (espécies sensíveis), densidade de tráfego e ocupação das vias. Testar abordagens de aprendizado de máquina avançadas (modelos de séries temporais, redes neurais geoespaciais) para melhorar a precisão.
• Trabalhar com a equipe de produtos para definir requisitos de
  tokenização dos Créditos de Fauna

, explorando padrões de blockchain e contratos inteligentes.

Meses 10‑12 – Benchmarking, Robustez e Transferência de Conhecimento

• Conduzir
  tests de estresse

para avaliar robustez sob diferentes cenários (tráfego intenso, variação de limites de velocidade, diferentes biomas). Comparar o algoritmo com abordagens de referência.
- Produzir manual técnico detalhado, realizar workshop interno e transferir conhecimento para equipes de engenharia, ecologia e negócios.

REQUISITOS ESSENCIAIS

• Modelagem preditiva e análise geoespacial

: mínimo de 3 anos de experiência em machine learning, preferencialmente em projetos envolvendo análise de risco ou impacto ambiental. Familiaridade com estatística espacial e algoritmos de regressão/classificação.
- Geoprocessamento e GIS

: expertise em GeoPandas, PostGIS, QGIS e manipulação de dados vetoriais/rasters. Capacidade de integrar dados de tráfego e mapas de risco.
- Programação avançada em Python

(Pandas, NumPy, Scikit‑Learn, PyTorch/TensorFlow opcional) e bancos de dados SQL/NoSQL.
- Dados de tráfego e telemetria

: experiência com ingestão e tratamento de dados de velocidade de veículos, limites de vias, volume de tráfego e rotas.
- APIs e DevOps

: construção de APIs REST, containerização (Docker), versionamento, testes automatizados e ferramentas de CI/CD.
- Idioma

: inglês técnico para leitura de papers e documentação.
- Residência

: Minas Gerais (trabalho 100 % remoto) com internet estável; sem vínculo CLT, MEI ou PJ.

SOFT SKILLS

• Rigor analítico e pensamento crítico

para questionar suposições, identificar viés e assegurar a validade científica do algoritmo.
- Comunicação interdisciplinar

para trabalhar com ecólogos, engenheiros de trânsito, cientistas de dados e gestores públicos.
- Proatividade

para propor novas metodologias e otimizar pipelines; capacidade de aprendizado contínuo.
- Visão sistêmica

voltada para sustentabilidade e ESG, entendendo o impacto social e ambiental dos Créditos de Fauna e seu potencial de tokenização.