CIENTISTA DE DADOS - MODELAGEM ESPACIAL DE CRÉ DITOS DE BIODIVERSIDADE OBRIGATÓ RIO: Você deve preencher o formulário disponível no link abaixo SOMENTE SERÃ O AVALIADOS(AS) CANDIDATOS(AS) QUE ENVIAREM SUAS INFORMAÇÕ ES NESTE NO LINK INFORMADO CONTRATAÇÃ O 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 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. 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 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 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 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 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 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 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.