Cientista De Dados

CIENTISTA DE DADOS - MODELAGEM ESPACIAL DE CRÉDITOS DE BIODIVERSIDADEOBRIGATÓRIO: Você deve preencher o formulário disponível no link abaixo SERÃO AVALIADOS(AS) CANDIDATOS(AS) QUE ENVIAREM SUAS INFORMAÇÕES NESTE NO LINK INFORMADOCONTRATAÇÃOTipo 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 GeraisFormação: 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.OBJETIVOSA Environ BIT desenvolve a metodologia Km de Proteção (Km P) para identificar trechos rodoviários com alto risco de atropelamentos. Os Km P 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 Km P 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.RESPONSABILIDADESMês 1 – Imersão e PlanejamentoRealizar 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 Environ BIT. 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 Km P (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, Num Py, Scikit-Learn, Geo Pandas e Post GIS. O algoritmo deve calcular créditos ponderando o risco de cada quilômetro (Km P) 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 MRVOtimizar 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 DockerizadaEstabilizar o algoritmo (v1.0) e criar API REST para integração com o Saa S da Environ BIT e sistemas de frotas.Empacotar a solução em container (Docker) e implementar CI/CD para deploy automatizado.Meses 9-10 – Algoritmo v2.0 e TokenizaçãoIntegrar 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 ConhecimentoConduzir 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 ESSENCIAISModelagem 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 Geo Pandas, Post GIS, QGIS e manipulação de dados vetoriais/rasters. Capacidade de integrar dados de tráfego e mapas de risco.Programação avançada em Python (Pandas, Num Py, Scikit-Learn, Py Torch/Tensor Flow opcional) e bancos de dados SQL/No SQL.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 Dev Ops: 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 SKILLSRigor 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.