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

Você quer concorrer a uma vaga de Machine Learning Engineer na EY e não sabe o que colocar no currículo nem como atravessar a entrevista técnica sem enrolação. O problema não é falta de conteúdo. É falta de foco: a EY é uma consultoria, e consultoria cobra uma combinação específica de competência técnica, capacidade de explicar e disciplina de entrega.

Vou te dar as palavras-chave que aparecem nesse tipo de vaga, exemplos prontos para adaptar e um roteiro de estudo realista. Sem promessa de vaga, sem número inventado.

Entenda o que a EY contrata antes de escrever o currículo#

Machine Learning Engineer em consultoria não é a mesma coisa que pesquisador de ML em empresa de produto. Você entra em projetos de clientes, quase sempre em times mistos com gente de dados, engenharia e negócio, e precisa entregar modelos que funcionem em produção, não protótipos bonitos no notebook.

Por isso, nas descrições de vaga da EY para ML Engineer aparecem quase sempre três blocos: Python e bibliotecas de ML, nuvem e MLOps, e comunicação com cliente. Se seu currículo só mostra modelo e métrica, você está competindo pela metade da vaga.

Um ponto que quase ninguém te conta: consultoria valoriza quem documenta, versiona e entrega. Um candidato que tem dois projetos publicados no GitHub, com README claro e pipeline rodando, costuma passar melhor do que quem lista dez tecnologias sem lastro.

Palavras-chave que valem no currículo#

As palavras-chave certas ajudam no filtro automático de currículo e na leitura rápida de quem faz a triagem. Use só as que você realmente domina, porque a entrevista vai cobrar.

Do lado de código e modelagem: Python, scikit-learn, PyTorch ou TensorFlow, pandas, feature engineering, validação cruzada, seleção de modelo, regressão, classificação, séries temporais, NLP, visão computacional, LLMs e RAG.

Do lado de engenharia: Docker, Kubernetes, CI/CD, testes automatizados, controle de versão com Git, FastAPI ou Flask para servir modelo, Spark quando houver volume alto de dados.

Do lado de nuvem e operação: AWS, Azure ou GCP, SageMaker, Vertex AI, MLflow, Kubeflow, monitoramento de modelo, data drift, pipeline de treino e deploy.

Do lado de consultoria: documentação técnica, tradução de requisito de negócio para solução de dados, alinhamento com cliente, gestão de escopo, apresentação de resultados.

Não adianta empilhar tudo. Escolha o recorte que faz sentido para a sua experiência e deixe o resto para a entrevista. Se quiser conferir se o seu currículo está legível para os filtros automáticos, use o verificador de currículo compatível com ATS do jobrise.

Como escrever as experiências com resultado#

Currículo de ML Engineer precisa mostrar impacto, não lista de ferramentas. A estrutura que funciona é: ação forte, problema, técnica, resultado com número real seu.

Exemplo de bullet reescrito:

Antes: "Trabalhei com modelos de previsão de demanda usando Python e machine learning."

Depois: "Desenvolvi modelo de previsão de demanda em Python com gradient boosting e validação por janela deslizante, reduzindo o erro médio de previsão em 18% em relação à baseline de média móvel, e publiquei a inferência em API FastAPI na AWS."

A diferença está no detalhe. O primeiro bullet diz que você mexeu com ML. O segundo diz o problema, a técnica, a métrica e onde o modelo viveu. Se o seu número for outro, use o seu. Não invente para impressionar, porque entrevistador de consultoria pergunta como você mediu.

Outro exemplo, voltado para a parte de engenharia: "Containerizei o pipeline de treino com Docker e automatizei o retrain semanal via GitHub Actions, eliminando o processo manual que tomava cerca de três horas da equipe de dados." Números modestos e verdadeiros convencem mais do que grandes números frágeis.

O que fazer na entrevista técnica#

A entrevista técnica de ML Engineer costuma ter quatro partes: fundamentos de machine learning, código, projeto que você fez, e conversa sobre como trabalha em time. A EY pode adicionar uma etapa de caso de negócio, porque consultoria precisa saber se você entende o problema do cliente antes de abrir o editor de código.

Fundamentos: saiba explicar overfitting, viés e variância, validação cruzada, escolha de métrica, e quando um modelo simples é melhor que um complexo. Não decore definição. Entenda o porquê.

Código: pratique Python em plataforma de desafio, com atenção a pandas e a escrita de função limpa. Muita gente tropeça em manipulação de dataframe, não em algoritmo.

Projeto: prepare dois projetos seus para contar em cinco minutos cada. Contexto, seu papel, decisão técnica principal, resultado, e o que faria diferente hoje.

Comportamental: consultoria pergunta sobre prazo apertado, cliente difícil, conflito de prioridade. Tenha histórias curtas, com começo, meio e fim.

Exemplo de resposta para uma pergunta técnica comum#

Pergunta: "Como você evita vazamento de dados em um projeto de previsão?"

Resposta: "Primeiro separo treino, validação e teste por tempo, não aleatório, quando o problema tem componente temporal. Depois ajusto qualquer transformação, como normalização e encoding de variáveis categóricas, apenas no conjunto de treino, e aplico no resto. Também reviso as features uma a uma para ver se alguma só existe porque a gente já sabe o resultado. Em um projeto de inadimplência que fiz, a gente descobriu que uma variável de status de cobrança só era preenchida depois do default. Tirei do modelo e a métrica caiu, mas o modelo ficou honesto e passou a funcionar em produção."

Essa resposta mostra método, caso real e a noção de que métrica maior nem sempre é modelo melhor. É exatamente o tipo de raciocínio que consultoria procura.

Roteiro de estudo em quatro semanas#

Semana 1: revise fundamentos de ML, faça dois exercícios de pandas por dia, e reescreva os bullets do seu currículo seguindo a estrutura ação, técnica, resultado.

Semana 2: pratique código em plataforma de desafio, quatro sessões de 45 minutos, e refaça um projeto antigo com README e instruções para rodar.

Semana 3: monte o portfólio no GitHub, escreva a história dos dois projetos principais, e ensaie as respostas comportamentais em voz alta.

Semana 4: simule entrevista com alguém, revise fundamentos de MLOps e nuvem, e ajuste o currículo para cada vaga específica.

Checklist antes de enviar a candidatura#

• O currículo tem no máximo duas páginas, com experiências em ordem cronológica inversa.
• Cada bullet de experiência tem ação, técnica e resultado, mesmo que o resultado seja qualitativo.
• As palavras-chave da vaga aparecem no seu currículo só onde você consegue defender na entrevista.
• O GitHub tem pelo menos dois projetos com README, instruções de execução e descrição do problema de negócio.
• Você sabe explicar cada linha do seu currículo sem consultar nada.
• As respostas comportamentais têm história, contexto e resultado, e duram no máximo dois minutos.
• Você leu a descrição da vaga com atenção e adaptou o currículo para ela, em vez de enviar o mesmo arquivo para tudo.

Use o decodificador de vagas do jobrise para tirar as palavras-chave e os requisitos de uma descrição de vaga em inglês, e depois confira as vagas abertas no jobrise para entender como o mercado brasileiro escreve esse tipo de posição.

Cuidados com o mercado brasileiro#

Salários de Machine Learning Engineer no Brasil variam bastante por senioridade, porte de empresa e regime de contratação. Consultorias como a EY podem contratar como CLT, como pessoa jurídica, ou por projeto. Não existe número universal. Confira sempre a faixa na fonte oficial da vaga ou na faixa salarial divulgada pela própria empresa, e não em planilha de terceiro.

Outro ponto: parte das vagas de ML Engineer da EY no Brasil é para times globais ou centros de entrega, o que pode exigir inglês para reunião e leitura de documentação. Se a vaga pedir inglês, prepare uma apresentação curta do seu projeto em inglês. Não precisa de sotaque perfeito, precisa de clareza.

Vaga de consultoria também pode envolver deslocamento para o cliente ou trabalho remoto parcial. Leia o anúncio com atenção antes de se candidatar, porque essas condições mudam por projeto.

Se quiser ler mais sobre currículo técnico e carreira em dados, tem material no blog do jobrise.

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 EY exige experiência comprovada em machine learning para essa vaga?

Depende da senioridade. Para vaga júnior, projetos próprios e estágio contam. Para sênior, esperam produção real, com modelo rodando e manutenção feita por você.

Preciso saber todas as nuvens ou só uma?

Só uma com profundidade já ajuda. Mostre que entende conceitos de deploy, armazenamento e monitoramento, e que consegue aprender outra plataforma quando o projeto pedir.

O currículo em inglês é obrigatório?

Se a vaga está escrita em inglês ou menciona time global, envie em inglês. Caso contrário, português funciona, desde que os termos técnicos estejam corretos.

Como responder se não souber uma resposta técnica?

Diga que não sabe, explique como você descobriria, e mostre o raciocínio. Consultoria valoriza método e honestidade mais do que resposta decorada.

Vale a pena fazer certificação de nuvem antes de me candidatar?

Ajuda, mas não substitui projeto. Um certificado sem projeto no portfólio pesa menos do que um projeto bem documentado sem certificado nenhum.