#Por que ser Engenheiro(a) de Machine Learning na TMB:
Papel Estratégico em Produto Crítico: Você será o(a) engenheiro(a) responsável por estruturar do zero toda a frente de Machine Learning aplicada à inadimplência e cobrança — o coração financeiro da TMB, com impacto direto nos resultados da empresa e nos produtos financeiros que impulsionam seu crescimento.
Primeira Pessoa da Área de IA: Esta é a primeira cadeira da nova área de Eficiência e Inovação. Você será o(a) responsável técnico(a) pela arquitetura, implementação, validação e escala dos modelos, com autonomia para propor, executar e entregar soluções end-to-end.
Criação de Produto com Começo, Meio e Fim: Aqui, você não será mais um executor isolado de modelos. Você terá ownership real sobre toda a esteira de ML, desde a definição da arquitetura até o deploy produtivo dos modelos, aplicando IA preditiva a problemas reais com dados reais, como previsão de inadimplência e lucro por cliente.
Empresa em Transformação para Banco: A TMB está deixando de ser uma fintech para se tornar um banco digital completo. Com o lançamento recente do Pix Parcelado e, em breve, do Cartão de Crédito, você estará inserido(a) em um momento raro de transformação estrutural e expansão de portfólio financeiro — com desafios reais de escalabilidade, acurácia, risco e performance.
Stack moderna com visão de futuro: Toda a operação de dados e ML será baseada em Azure (Data Lake, Azure ML, Synapse, etc.) e linguagem Python, com liberdade para estruturar pipelines robustos, versionamento e automação. A TMB valoriza engenheiros(as) com visão de produto e profundidade técnica.
Crescimento junto com o time e com a área: Esta posição será o ponto de partida para a criação de um time próprio. Seu trabalho ajudará a definir os critérios, os padrões e os próximos integrantes da área. É uma oportunidade para desenvolver competências de liderança técnica e influenciar diretamente o roadmap de produto e tecnologia da empresa.
Remuneração competitiva e crescimento acelerado: A faixa de remuneração para essa posição está entre R$ 10.000 a R$ 13.000 (PJ). A TMB está aberta a profissionais plenos em transição para sênior, desde que demonstrem repertório prático e autonomia para entregar valor desde o primeiro ciclo.
#O seu desafio na TMB será:
Construção da esteira de ML do zero:
Estruturar toda a arquitetura e os pipelines de dados e modelos voltados à inadimplência e cobrança.
Integrar dados operacionais, financeiros e históricos da empresa em um pipeline robusto e versionado.
Propor, validar e escalar modelos preditivos com alto impacto em resultados financeiros.
Aplicabilidade de IA na prática:
Desenvolver soluções reais com foco em previsão de inadimplência, lucratividade por cliente, e priorização de estratégias de cobrança.
Conectar ciência de dados e engenharia de ML às decisões de negócio, influenciando o produto boleto parcelado e os próximos produtos financeiros.
Infraestrutura e automação:
Garantir que todos os modelos e processos estejam integrados ao ecossistema Azure, com foco em escalabilidade, segurança e compliance.
Automatizar esteiras e garantir reprodutibilidade e performance na produção de modelos.
Colaboração multidisciplinar:
Ser a principal referência técnica da área, articulando com squads de Produto, Engenharia, Financeiro e Operações para identificar problemas e entregar soluções via IA.
Participar ativamente da criação e amadurecimento da nova área de Ciência e Inovação.
#Estamos atraindo vivências e experiências em:
Engenharia de Machine Learning aplicada a problemas reais com alto volume de dados e impacto financeiro direto.
Construção de modelos preditivos do zero — da hipótese à entrega — com domínio de pipelines, testes, automação e validação.
Experiência prática com Azure Data Services, Python, e frameworks de IA/ML.
Conexão entre dados e produto: saber aplicar modelos com visão crítica de negócio e foco em eficiência.
#Se você conhecer e souber fazer também… sua curva de aprendizado será acelerada:
Soluções aplicadas a produtos financeiros (fintechs, bancos, cobrança, crédito, risco).
Ambientes com stack Microsoft (.NET, C#) e integração com sistemas legados.
Ambientes regulados (ex: BACEN) e com exigência de precisão, rastreabilidade e segurança.
