Professor Conteudista - Inferência Causal aplicada a Machine Learning Engineering

Atue na área Acadêmica do maior ecossistema de Ensino Tech do país!

A FIAP é uma faculdade de tecnologia, inovação e negócios que tem como propósito fazer a diferença no mundo e no mercado da educação. Somos change makers, acreditamos muito no poder transformador da tecnologia. 

Aqui, compartilhamos nossa experiência de mercado com os alunos e entregamos muito mais do que conhecimento: oferecemos aulas práticas, no modelo hands on, além de acompanhá-los em eventos digitais e presenciais, como competições, hackathons, datathons, CTFs, challenges, bootcamps e encontros temáticos.

Nossos ambientes são modernos e inovadores. As salas de aula contam com computadores e todas as ferramentas necessárias para o ensino das tecnologias mais atuais e utilizadas no mercado.

Estamos em busca de um(a) Professor(a) Conteudista com sólida experiência em Inferência Causal aplicada a Machine Learning, monitoramento prescritivo, avaliação de políticas e MLOps para atuar na produção de conteúdo técnico-pedagógico do nosso curso de Pós-Graduação em Machine Learning Engineering. O(a) conteudista será responsável por transformar conceitos avançados de causalidade, decisão e monitoramento de modelos em materiais claros, aplicáveis e alinhados à prática de mercado.

• Curso: Pós-Graduação em Machine Learning Engineering
• Fase: 04
• Disciplina: Inferência Causal e Monitoramento Prescritivo
• Formato: Remoto
  
  

Conteúdo da Fase:

A Fase 04 — Monitoramento e Governança prepara o aluno para manter modelos de Machine Learning saudáveis, confiáveis e governáveis em produção. A fase aborda detecção de data, concept e label drift; ferramentas de monitoramento de modelos; observabilidade de pipelines e infraestrutura; validação contínua de dados; governança, compliance, LGPD/GDPR, explicabilidade e fairness; e, nesta disciplina, inferência causal aplicada ao monitoramento prescritivo. Em Inferência Causal e Monitoramento Prescritivo, o aluno aprende a modelar relações causais com DAGs e Structural Causal Models, estimar efeitos causais como ATE e CATE, aplicar uplift modeling, Double Machine Learning, causal discovery, avaliação off-policy, contextual bandits, métodos quasi-experimentais como Difference-in-Differences, Synthetic Control e CausalImpact, além de definir métricas prescritivas, fairness causal, treatment drift, policy degradation e guardrails para integração com pipelines MLOps.

Descrição das atividades:

• Produzir o conteúdo EAD da disciplina conforme carga prevista de 6h de vídeo e 18h de carga total.
• Elaborar plano de aulas, textos-base, roteiros de gravação, apresentações e materiais de apoio.
• Criar exemplos práticos em Python com DoWhy, EconML, CausalML, causal-learn ou bibliotecas equivalentes.
• Participar de reunião de kickoff técnico-pedagógica com a coordenação.
• Elaborar notebooks, scripts ou exercícios executáveis com datasets públicos ou sintéticos.
• Construir atividades práticas sobre DAGs, ATE/CATE, refutation checks, fairness causal, treatment drift e monitoramento prescritivo.
• Propor ou revisar desafio prático da disciplina, alinhado ao Tech Challenge da Fase 04.
• Incorporar ajustes solicitados pela coordenação após validação acadêmica e técnica.

Conhecimentos necessários:

• Inferência causal: DAGs, SCMs, do-calculus, backdoor/frontdoor criteria, confundidores, colisores e viés de seleção.
• Framework de resultados potenciais: ATE, CATE, SUTVA, uplift modeling, meta-learners, Double/Debiased Machine Learning e causal forests.
• Ferramentas Python para causalidade: DoWhy, EconML, CausalML, causal-learn, statsmodels, pandas, scikit-learn e visualização de grafos.
  Causal discovery: algoritmos PC, FCI, GES, testes de independência condicional e validação de grafos causais.
• Métodos quasi-experimentais: Difference-in-Differences, controles sintéticos, Synthetic DiD, CausalImpact/BSTS e análise de intervenção em séries temporais.
• Avaliação de políticas e decisão: Off-Policy Evaluation, IPS, Doubly Robust estimators, contextual bandits, Thompson Sampling, regret e policy value.
• Monitoramento prescritivo em MLOps: treatment effect drift, policy degradation, fairness causal, guardrails, dashboards, alertas e integração com pipelines de ML.

Disponibilidade necessária:

• Disponibilidade para início imediato;
• Disponibilidade para produção assíncrona dos materiais da disciplina;
• Participar de kickoff e reuniões pontuais de alinhamento com a coordenação;
• Responder a ciclos de revisão acadêmica e técnica em prazo curto.
• Entregar materiais com tempo hábil para validação antes da etapa da disciplina na Fase 04.
• Desejável disponibilidade para eventual gravação, revisão de roteiro ou apoio pontual à equipe acadêmica.

Diferenciais:

• Experiência prévia como conteudista, professor(a), mentor(a) ou instrutor(a) em cursos de tecnologia, dados, estatística ou Machine Learning.
• Vivência prática com inferência causal em produto, risco, crédito, saúde, marketing, experimentação, pricing ou políticas públicas.
• Experiência com A/B testing, causal impact, uplift modeling, bandits ou sistemas de decisão em produção.
• Experiência com MLOps, MLflow, Airflow, DVC, CI/CD, observabilidade, Evidently AI, Great Expectations ou monitoramento de modelos.
• Formação ou experiência sólida em estatística, econometria, ciência de dados, pesquisa aplicada ou engenharia de ML.
• Capacidade de produzir material hands-on com notebooks, datasets, visualizações, exercícios e explicações didáticas.
• Experiência com fairness, governança algorítmica, explicabilidade, LGPD/GDPR ou auditoria de modelos.