Cognizant Machine Learning Engineer: palavras-chave de curriculo e entrevista

Sua candidatura para Machine Learning Engineer na Cognizant não passa do primeiro filtro e você suspeita que o currículo não está falando a língua da vaga. É uma queixa comum. A Cognizant é uma consultoria grande, com operação forte no Brasil, e costuma contratar para times que atendem clientes externos. Isso muda o que o recrutador procura: menos foco em pesquisa isolada, mais foco em entregar modelo em produção junto com o time do cliente.

Este guia mostra como adaptar currículo e preparação de entrevista para esse contexto, sem inventar processo interno da empresa. Nada aqui é regra oficial da Cognizant. É leitura do que vagas semelhantes pedem e do que costuma funcionar em consultoria.

O que a vaga costuma pedir de verdade#

Machine Learning Engineer em consultoria raramente é um cargo de cientista de pesquisa. É alguém que constrói, testa, coloca e mantém modelos dentro de sistemas que já existem. Python, SQL, alguma nuvem, alguma ferramenta de MLOps. Comunicação com cliente aparece quase sempre.

Repare na diferença entre os dois tipos de vaga que você vai encontrar. Uma pede muito framework de deep learning. A outra pede pipeline, versionamento, deploy e monitoramento. A segunda é mais comum em consultoria. Leia a descrição com atenção antes de escrever qualquer linha do currículo.

Vale usar o decodificador de descrições de vaga para separar o que é requisito real do que é texto genérico de anúncio. Ele ajuda a listar os termos que precisam aparecer no seu documento.

Palavras-chave que aparecem nas vagas da Cognizant#

Não existe lista oficial. O que segue é o vocabulário recorrente em anúncios de Machine Learning Engineer em consultorias do porte da Cognizant, incluindo as vagas no Brasil.

• Python, SQL, pandas, scikit-learn
• TensorFlow ou PyTorch, o que a vaga citar
• AWS, Azure ou GCP, a nuvem da vaga
• Docker, Kubernetes, CI/CD
• MLflow, Kubeflow, SageMaker, Azure ML
• Feature engineering, model evaluation, data pipelines
• MLOps, model monitoring, model retraining
• Git, testes unitários, code review
• Comunicação com stakeholders, cliente, time multidisciplinar

Use os termos como estão na descrição. Se a vaga diz Azure ML, escreva Azure ML. Se diz SageMaker, escreva SageMaker. Adaptação literal funciona melhor do que criatividade.

Como adaptar o currículo#

Três mudanças resolvem a maior parte dos problemas.

Primeiro, posicione as palavras-chave no topo. Um resumo de quatro linhas logo abaixo do nome, com as tecnologias centrais da vaga, já melhora a leitura por humano e por sistema de triagem. Não escreva um parágrafo de autoelogio. Escreva o que você faz e com o que.

Segundo, transforme tarefas em entrega. "Responsável por modelos de previsão" não diz nada. Diga o que mudou depois do seu trabalho. Número é bom quando você tem número real. Sem número, descreva o alcance: quantos times usavam, qual sistema afetou, qual era o prazo.

Terceiro, inclua a parte de produção. Consultoria valoriza quem já colocou modelo no ar e ficou responsável por ele. Se você só fez projeto acadêmico, diga que fez deploy, mesmo que em ambiente de estudo. Honestidade sobre o ambiente é obrigatória, mas a experiência de entrega conta.

Exemplo de bullet reescrito

Antes: "Desenvolvi modelos de machine learning para a área comercial."

Depois: "Construí modelo de churn em Python (scikit-learn) para a área comercial, do tratamento de features ao deploy em API Flask, reduzindo o tempo de triagem de clientes em risco de dias para horas e sendo adotado por dois times de vendas."

Note o que mudou: ferramenta citada, escopo do trabalho visível, efeito concreto, adoção por outros times. Nada de adjetivo. Nada de promessa.

Onde a triagem automática pode te derrubar

Currículo em duas colunas, tabelas, ícones e foto grande atrapalham a leitura por sistema. Prefira layout simples, uma coluna, fonte legível, seções padrões. Salve em PDF quando a vaga aceitar, e em .docx quando pedir.

Depois de montar o documento, passe por uma análise de compatibilidade com ATS. O verificador gratuito mostra onde as palavras-chave da vaga estão faltando e onde o formato pode estar quebrando a leitura.

Preparação para a entrevista#

Consultoria tem entrevista técnica e entrevista de comportamento. As duas importam. A técnica avalia se você resolve problema de verdade. A de comportamento avalia se você consegue trabalhar com cliente e com time que não é seu.

Como responder sobre um projeto seu

Estrutura simples funciona: contexto, sua ação, resultado, o que você faria diferente. Quatro frases bastam. Não entre em detalhe de código se não perguntarem.

Exemplo de resposta:

"Num projeto anterior, precisávamos prever demanda por produto para um cliente do varejo. Eu fiquei responsável pelo pipeline de features e pelo treinamento do modelo, em Python com scikit-learn. O modelo foi colocado em produção como API e passou a alimentar o planejamento de estoque do cliente. Se refizesse hoje, eu adicionaria monitoramento de drift desde o começo, porque o padrão de compra mudou depois de seis meses e o modelo precisou de retreino."

Repare: a pessoa admite uma falha de planejamento. Isso costuma ser mais forte do que uma resposta perfeita. Entrevistador de consultoria quer alguém que aprende rápido e não esconde problema.

Perguntas técnicas que costumam aparecer

Machine Learning Engineer é questionado em fundamentos, não só em framework. Espera perguntas sobre viés e variância, sobre escolha de métrica, sobre o que fazer quando a base é desbalanceada, sobre diferença entre treino e produção. Também sobre SQL, sobre versionar modelo, sobre o que fazer quando o modelo degrada depois de meses no ar.

Não tente decorar resposta pronta. Entenda o porquê. Se você sabe explicar por que accuracy é péssima métrica para base desbalanceada, você passa nessa pergunta.

Perguntas de comportamento

Consultoria pergunta muito sobre conflito com cliente, sobre prazo apertado, sobre pedido que muda no meio do projeto. Tenha duas ou três histórias reais na ponta da língua. Use situações que você viveu, mesmo que pequenas. História inventada se percebe rápido.

Cuidados com o mercado brasileiro#

Vagas de Machine Learning Engineer no Brasil aparecem com salários muito diferentes entre si. O que se vê reportado varia bastante conforme senioridade, cidade e modelo de contratação. Não existe número confiável que eu possa afirmar aqui. Pesquise a faixa na sua região e confira sempre a fonte oficial da vaga antes de negociar.

Outro ponto: muita vaga de consultoria no Brasil é híbrida ou presencial em São Paulo, Campinas, Belo Horizonte ou Curitiba. Confira isso antes de investir tempo em processo longo. E se a vaga mencionar realocação ou trabalho fora do país, trate qualquer informação sobre visto com a empresa diretamente. Regras mudam e ninguém deve assumir garantia de visto com base em comentário de fórum.

Para ver vagas abertas agora de Machine Learning Engineer e filtrar por senioridade e modelo de trabalho, use a busca de vagas do jobrise. Ela traz anúncios de várias fontes num lugar só.

Checklist de revisão antes de enviar#

• Resumo no topo cita as três a cinco tecnologias centrais da vaga
• Cada bullet de experiência tem ação, ferramenta e efeito
• Palavras-chave da descrição aparecem no documento com a mesma grafia
• Sem foto, sem tabelas, sem duas colunas
• Formato PDF ou .docx conforme o que a vaga pedir
• Currículo passou por teste de compatibilidade com ATS
• LinkedIn e currículo contam a mesma história
• Você tem duas histórias de comportamento preparadas
• Você sabe explicar o porquê das suas escolhas técnicas

Se quiser mais material sobre currículo, entrevista e transição de carreira, o blog do jobrise tem artigos práticos sobre esses temas.

Ferramentas grátis#

• jobrise.io/pt/free-ats-checker/
• jobrise.io/pt/free-jd-decoder/
• jobrise.io/pt/jobs/
• jobrise.io/pt/blog/

Perguntas frequentes#

A Cognizant tem processo seletivo padrão para Machine Learning Engineer?

Não existe informação oficial pública detalhada sobre etapas internas. O relato comum em consultorias desse porte é uma triagem de currículo, uma conversa com recrutador, uma entrevista técnica e uma entrevista de comportamento. Confirme as etapas com o recrutador no primeiro contato.

Preciso ter experiência com nuvem para concorrer?

Na maioria das vagas de Machine Learning Engineer em consultoria, sim. AWS, Azure ou GCP aparecem quase sempre. Se você só tem experiência local, vale fazer projeto com deploy em camada gratuita de algum provedor e colocar isso no currículo com clareza sobre o ambiente.

Devo escrever o currículo em inglês?

Depende da vaga. Se o anúncio está em inglês e fala com cliente internacional, envie em inglês. Se está em português e o time é local, português funciona. Quando houver dúvida, pergunte ao recrutador. Ter as duas versões prontas é o mais prático.

Quanto tempo leva para se preparar para a entrevista técnica?

Depende do seu ponto de partida. Quem já trabalha com modelo em produção costuma levar de uma a duas semanas revisando fundamentos. Quem vem de outra área deve contar com mais tempo, porque precisa de projeto prático que mostre entrega, não só curso.

O que fazer se eu não tenho experiência com MLOps?

Não invente. Diga que está estudando e mostre o que já fez nessa direção, mesmo que pequeno: versionar modelo, agendar retreino, registrar métricas. Entrevistador valoriza direção e honestidade mais do que lista de ferramentas decorada.