• Own the model lifecycle: requirements, experimentation, model development, evaluation, and model cards, partnering with ML engineers on deployment and production infrastructure • Translate complex fraud patterns into well-framed ML solutions: defining what to model, what success looks like, and where ML adds value vs. simpler approaches • Design and maintain feature engineering pipelines for model development • Monitor model quality in production, tracking performance over time, detecting data drift, and determining when to retrain • Partner closely with leadership, go-to-market, fraud operations, product, and engineering teams to define and execute effective fraud strategies • Champion a culture of continuous learning, experimentation, and collaboration across the fraud and broader data science teams

Role Description Estamos buscando uma pessoa com experiência em Ciência de Dados e perfil de pesquisa para desenvolver novas soluções e expandir a oferta da Incognia no mercado. Procuramos alguém com base técnica sólida, experiência prévia em pesquisa e capacidade de aprender rapidamente. Essa pessoa atuará em problemas complexos, muitas vezes novos ou ainda pouco estruturados, transformando perguntas abertas em hipóteses, experimentos e soluções baseadas em dados. O time de Data Science tem um papel central no desenvolvimento da plataforma de identidade da Incognia. Trabalhamos com grandes volumes de dados para investigar comportamentos, identificar padrões e criar tecnologias que reduzam fraude e fricção em jornadas digitais, como criação de contas, login e pagamentos. Nesta posição, você terá a oportunidade de conduzir projetos de pesquisa aplicada, explorar novas abordagens e desenvolver modelos, sinais e heurísticas com impacto direto nos produtos da empresa. Dia a dia da posição: - Investigar problemas relacionados a fraude, identidade e fricção enfrentados pelos clientes da Incognia; - Transformar problemas pouco estruturados em perguntas de pesquisa, hipóteses e planos de experimentação; - Propor e desenvolver soluções utilizando análise de dados, heurísticas, métodos estatísticos e modelos de aprendizagem de máquina; - Realizar análises exploratórias para identificar tendências, padrões, relações e irregularidades nos dados; - Planejar e executar experimentos para validar hipóteses e avaliar novas abordagens; - Pesquisar técnicas, modelos e tecnologias que possam ser aplicados aos desafios da Incognia; - Analisar e solucionar problemas relacionados à qualidade, consistência e desempenho dos dados; - Definir métricas e avaliar a efetividade das soluções desenvolvidas; - Monitorar o desempenho de modelos e soluções em produção, identificando oportunidades de melhoria; - Documentar metodologias, experimentos, resultados e aprendizados; - Trabalhar em colaboração com profissionais de Data Science, Data Engineering, Backend, Produto e Negócios para implementar e validar as soluções propostas; - Comunicar resultados técnicos e suas implicações de forma clara para diferentes públicos. Qualifications - Graduação em Ciência da Computação, Engenharia ou áreas relacionadas; - Experiência prévia com Ciência de Dados, aprendizagem de máquina ou pesquisa aplicada; - Base sólida em estatística, análise de dados e métodos experimentais; - Conhecimento de metodologia científica e experiência na formulação e validação de hipóteses; - Experiência com ferramentas de processamento e análise de dados, como Spark, Python e SQL; - Inglês avançado para leitura, escrita e comunicação técnica. Requirements - Pesquisa acadêmica, mestrado ou doutorado em Ciência da Computação, Engenharia ou áreas relacionadas; - Experiência com inteligência artificial, deep learning, embeddings ou modelos generativos; - Experiência com grandes volumes de dados e sistemas distribuídos; - Experiência com prevenção a fraudes, identidade digital, segurança ou análise comportamental; - Experiência com desenvolvimento para navegadores, tecnologias web, redes de computadores ou SDKs. Benefits - Contratação CLT; - Confira nossos benefícios em nosso Candidate Book. Company Description A Incognia é a empresa inovadora em soluções de identidade de última geração que possibilitam experiências digitais seguras e sem fricção. Com sua solução persistente de identificação de dispositivos, a Incognia combina sinais de reconhecimento de dispositivo de excelência e à prova de adulteração e análise de localização para verificação de usuários e prevenção de fraudes. As avaliações de risco personalizáveis e insights acionáveis da Incognia permitem que empresas de serviços financeiros, plataformas de delivery e da economia compartilhada e marketplaces protejam sua reputação, retenção de clientes e receita. Para mais informações, visite Incognia.com/pt.

Role Description We are seeking a Healthcare Data Scientist (Real-World Evidence) to answer complex healthcare and biopharma questions using large-scale real-world data and help shape the next generation of AI-powered clinical research. This is a hands-on role that combines rigorous real-world evidence analysis with deep collaboration across product, AI, and customer teams. Internally, you will partner closely with Medeloop's AI research and product teams to: - Design and execute real-world evidence analyses - Evaluate the performance of our clinical research agents - Apply your scientific expertise to improve how our platform reasons about healthcare data Externally, you will serve as an embedded data scientist for our partner institutions, working directly with clinicians, researchers, and life sciences organizations to: - Scope research questions - Deliver high-quality evidence - Drive adoption of the platform - Expand each customer's use of Medeloop over time This is a highly technical role centered on analytical reasoning, statistical rigor, and scientific problem-solving. Your work will directly influence both the intelligence of our AI systems and the real-world impact they create for healthcare and life sciences organizations. Qualifications - PhD, or a Master’s degree minimum plus 5+ years of industry experience, in a quantitative-health field (biostatistics, epidemiology, clinical trials, public health, health informatics, or health economics). PhD preferred; strong industry experience can substitute for the doctorate. - Strong grounding in real-world data/evidence (RWD/RWE) methodology, with domain experience in biostatistics, epidemiology, clinical trials, or public health. - Proven ability to answer complex clinical or biopharma questions using SQL and Python, plus statistical software (R and/or SAS). - Experience with large healthcare datasets, such as claims or EHR data (clinical coding systems, ICD/CPT/RxNorm), assumed to come with an RWE background. - Track record of producing rigorous, research-grade analyses, reports, or publications; comfort working with messy, high-dimensional data. - AI/ML experience required, with clear evidence of hands-on use; comfortable reviewing code and reasoning about model outputs. - Strong communicator; customer-facing experience preferred (trainable for the right analytical candidate). Requirements - Experience working directly with customers and in a sales capacity. - Industry background strongly preferred over consulting (industry candidates preferred over consultants).

• Data organization: organize, catalog, and structure heterogeneous environmental and geospatial datasets using consistent metadata and controlled vocabularies, with clear provenance, so they can be combined consistently and reproducibly. • Analytical logic: help define how rules and analytical logic are represented, versioned, and evaluated against layered datasets, with traceable analytical lineage from inputs to results. • Data product design: define what analytical inputs and outputs should contain, including data, results, and metadata, the schemas that represent them, and how those schemas evolve over time. • Domain reasoning: bring environmental and hydrologic domain knowledge to bear on how data is weighted, interpreted, and encoded into rules. • Validation & QA: develop checks, test cases, and validation logic to confirm that rules produce correct, explainable, and consistent results. • Documentation & collaboration: document data schemas, analytical logic, and data sources; collaborate across the Science, Engineering, and Platform teams to keep the system understandable, accessible, and maintainable.