Cientista De Dados

CIENTISTA DE DADOS - MODELAGEM ESPACIAL DE CRÉDITOS DE BIODIVERSIDADEOBRIGATÓRIO: Você deve preencher o formulário disponível no link abaixohttps://striped-owner-SOMENTE SERÃO AVALIADOS(AS) CANDIDATOS(AS) QUE ENVIAREM SUAS INFORMAÇÕES NESTE NO LINK INFORMADOCONTRATAÇÃOTipo de Bolsa: Bolsa de Desenvolvimento Tecnológico DT-I — R$ *****,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 EnvironBIT desenvolve a metodologiaKm 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 osCréditos 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 doalgoritmo que calcula os Créditos de Fauna, integrando os modelos KmP comvariáveis 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 Faunae 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 geoespacialintegrando 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 Faunautilizando 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 MRVOtimizar o algoritmo para atingir =80 % da meta de desempenho e cobrir =80 % do código com testes automatizados.Desenvolver pipeline MRVreprodutível, 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 RESTpara integração com o SaaS da EnvironBIT e sistemas de frotas.- Empacotar a solução em container (Docker) e implementar CI/CDpara 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 ***** – Benchmarking, Robustez e Transferência de ConhecimentoConduzir tests de estressepara 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 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 SKILLSRigor analítico e pensamento críticopara questionar suposições, identificar viés e assegurar a validade científica do algoritmo.- Comunicação interdisciplinarpara trabalhar com ecólogos, engenheiros de trânsito, cientistas de dados e gestores públicos.- Proatividadepara propor novas metodologias e otimizar pipelines; capacidade de aprendizado contínuo.- Visão sistêmicavoltada para sustentabilidade e ESG, entendendo o impacto social e ambiental dos Créditos de Fauna e seu potencial de tokenização.