Formação superior completa em Ciência de Dados, Ciência da Computação, Estatística, Matemática, Engenharia, Geografia, Agronomia, Geoprocessamento ou áreas relacionadas. Também consideramos profissionais de outras formações que possuam experiência compatível com os desafios da posição.RequisitosExperiência com desenvolvimento de modelos de machine learning ou análises estatísticas.Conhecimento de Python ou R para tratamento de dados, modelagem e análise.Conhecimento de bibliotecas como Pandas, NumPy, Scikit-learn ou equivalentes.Experiência com dados geoespaciais, análise espacial ou geoprocessamento.Familiaridade com ferramentas como QGIS, ArcGIS ou plataformas equivalentes.Conhecimento de SQL e bancos de dados relacionais.Capacidade de preparar, tratar, validar e analisar diferentes conjuntos de dados.Capacidade de interpretar resultados e comunicar conclusões de maneira clara.Conhecimento de métricas de avaliação e validação de modelos.Facilidade para trabalhar de forma colaborativa em equipes multidisciplinares.Capacidade de compreender problemas de negócio e transformá-los em abordagens analíticas.Conhecimentos desejáveisNão é necessário possuir experiência em todas as tecnologias e competências abaixo:Processamento e análise de imagens de satélite ou fotografias aéreas.Sensoriamento remoto e índices de vegetação.Bibliotecas geoespaciais como GeoPandas, Rasterio, GDAL, Shapely ou equivalentes.Google Earth Engine ou outras plataformas de processamento geoespacial.Bancos de dados espaciais, como PostgreSQL e PostGIS.Técnicas de deep learning e visão computacional.Frameworks como TensorFlow, PyTorch ou Keras.Modelos de séries temporais, previsão e detecção de anomalias.Plataformas de cloud computing, como AWS, Google Cloud ou Microsoft Azure.Databricks, Spark ou tecnologias para processamento distribuído.Git e práticas de versionamento de código.APIs, containers e fundamentos de implantação de modelos.Ferramentas de visualização, como Power BI, Tableau, Matplotlib ou Plotly.Práticas de MLOps, monitoramento e gestão do ciclo de vida de modelos.DiferenciaisExperiência com projetos relacionados ao agronegócio.Conhecimento de produção agrícola, clima, solo, culturas, operações agrícolas ou cadeias produtivas.Experiência com modelos de previsão de produtividade ou monitoramento de lavouras.Conhecimento de dados meteorológicos, agronômicos ou territoriais.Experiência com análise de uso e cobertura do solo.Conhecimento de estatística espacial e séries temporais.Experiência na implantação de modelos em ambientes corporativos.Cursos, especializações ou certificações em Ciência de Dados, Inteligência Artificial, Geoprocessamento, Sensoriamento Remoto ou Agronegócio.