Machine Learning Roadmap 2026: Como Começar

Você quer começar em Machine Learning, mas abre o LinkedIn e parece que todo mundo já sabe Python, estatística, LLM, MLOps, cloud, matemática pesada, engenharia de dados e ainda tem um portfólio bonito no GitHub. Dá aquela sensação de atraso, como se você tivesse chegado tarde demais.

A boa notícia: em 2026, ainda dá para começar. Só que você precisa de um caminho mais inteligente, menos aleatório e mais conectado com vagas reais. Este roadmap é para você sair do “estou estudando tudo ao mesmo tempo” e entrar no “estou construindo provas de competência que uma empresa consegue entender”.

Machine Learning Roadmap 2026: Como Começar#

Machine Learning, ou ML, é uma das áreas mais desejadas por quem quer trabalhar com tecnologia, dados e inteligência artificial. Mas também é uma das áreas com mais ruído.

Tem curso prometendo vaga em 3 meses, influencer dizendo que você precisa saber cálculo avançado antes de escrever uma linha de código, e vaga júnior pedindo experiência com AWS, Docker, Kubernetes, PyTorch, Spark e modelos generativos.

Respira.

Você não precisa aprender tudo de uma vez. Você precisa aprender na ordem certa, criar projetos práticos e transformar isso em currículo, GitHub e LinkedIn que passem confiança.

Neste guia, vamos falar sobre:

1. O que mudou em Machine Learning em 2026.
2. Quais habilidades estudar primeiro.
3. Como montar projetos que chamam atenção.
4. Quais cargos mirar no começo.
5. Como se preparar para vagas em empresas como Itaú, Nubank, Stone, iFood, Magalu e Globo.
6. Como evitar estudar por anos sem conseguir entrevista.

O que mudou em Machine Learning em 2026#

Até alguns anos atrás, muita gente associava Machine Learning a modelos clássicos: regressão linear, árvore de decisão, random forest, XGBoost, clustering e redes neurais básicas.

Esses temas continuam importantes. Só que em 2026 o mercado está mais prático e mais exigente ao mesmo tempo.

As empresas querem pessoas que consigam resolver problemas reais, não apenas treinar modelo em dataset pronto do Kaggle.

O mercado quer impacto, não só notebook bonito

Um notebook no Jupyter com 95% de acurácia pode parecer ótimo. Mas em uma empresa, alguém vai perguntar:

• Esse modelo reduz custo?
• Aumenta receita?
• Diminui fraude?
• Melhora recomendação?
• Ajuda atendimento?
• Pode ser colocado em produção?
• Como vamos monitorar se ele piorar?

No Itaú, por exemplo, ML pode ser usado para análise de crédito, prevenção a fraude e personalização de ofertas. No Nubank, pode aparecer em risco, atendimento, experiência do cliente e detecção de transações suspeitas.

Na Stone, ML pode apoiar antifraude e análise de comportamento de lojistas. No iFood, entra forte em previsão de demanda, logística, recomendação e tempo de entrega.

Na Magalu, pode aparecer em busca, recomendação, precificação e atendimento. Na Globo, pode ajudar com recomendação de conteúdo, audiência, publicidade e análise de comportamento.

Ou seja: Machine Learning virou uma ferramenta de negócio.

IA generativa não matou Machine Learning

Muita gente acha que, com ChatGPT, Claude, Gemini e outros modelos, estudar ML clássico ficou inútil. Não ficou.

Na prática, IA generativa criou mais oportunidades, mas também aumentou o nível esperado.

Hoje existem vagas para:

• Machine Learning Engineer.
• Data Scientist.
• AI Engineer.
• MLOps Engineer.
• Analytics Engineer com foco em modelos.
• NLP Engineer.
• Computer Vision Engineer.
• Especialista em LLM apps.
• Engenheiro de dados com ML.

Você não precisa começar por tudo isso. Mas precisa entender onde quer entrar.

Antes de tudo: escolha seu ponto de entrada#

Um erro comum é tentar virar “especialista em IA” sem saber qual papel você quer exercer.

Em 2026, os caminhos mais comuns são:

1. Cientista de Dados

Foca em análise, estatística, experimentos, modelos preditivos e comunicação com negócio.

Você trabalha bastante com:

• Python.
• SQL.
• Estatística.
• Visualização.
• Modelos clássicos.
• Métricas.
• Testes A/B.
• Storytelling com dados.

Salários no Brasil podem variar bastante. Uma pessoa júnior pode começar perto de R$5k a R$8k. Pleno pode ir de R$10k a R$16k. Sênior em empresas maiores pode passar de R$20k, especialmente em bancos, fintechs e big techs.

2. Machine Learning Engineer

Foca em transformar modelos em sistemas. É uma ponte entre ciência de dados e engenharia de software.

Você lida com:

• Python bem escrito.
• APIs.
• Docker.
• Cloud.
• Pipelines.
• Monitoramento.
• Deploy.
• Versionamento de modelo.
• MLOps.

No Brasil, uma vaga plena pode pagar algo como R$12k a R$20k. Em empresas globais ou remotas para fora, pode aparecer remuneração em USD, como $60k a $120k por ano, dependendo da experiência.

3. AI Engineer

Esse cargo cresceu muito com IA generativa. O foco é construir produtos usando LLMs, embeddings, busca semântica, RAG e agentes.

Você trabalha com:

• APIs de LLMs.
• Python ou TypeScript.
• Bancos vetoriais.
• Prompt engineering.
• Avaliação de respostas.
• Integração com sistemas.
• Segurança e privacidade.

É uma ótima porta para quem quer trabalhar com IA aplicada, mas você ainda precisa entender o básico de ML, dados e engenharia.

4. Analista de Dados com ML

Esse é um ponto de entrada muito realista.

Você começa com SQL, dashboards e análise, depois adiciona modelos simples para previsão, segmentação ou classificação.

Para muita gente, essa é a rota mais rápida para entrar no mercado e migrar depois para ciência de dados ou ML.

Roadmap 2026: a ordem certa para estudar Machine Learning#

Agora vamos ao caminho prático. Pense nisso como uma trilha de 6 a 12 meses, dependendo do seu tempo disponível.

Se você estuda 1 hora por dia, provavelmente vai levar mais perto de 12 meses. Se estuda 3 horas por dia com consistência, pode construir bons projetos em 6 meses.

Etapa 1: Python para dados, sem enrolação#

Você não precisa virar engenheiro Python no começo. Mas precisa ficar confortável para manipular dados e criar scripts.

Estude:

• Tipos de dados: string, int, float, boolean.
• Listas, dicionários e tuplas.
• Condicionais.
• Loops.
• Funções.
• Leitura de arquivos CSV e JSON.
• Ambientes virtuais.
• Uso básico de terminal.
• Jupyter Notebook.
• Organização de código em arquivos .py.

Depois vá para as bibliotecas:

• NumPy.
• Pandas.
• Matplotlib.
• Seaborn.
• Scikit-learn.

O objetivo não é decorar tudo. É conseguir pegar uma base de dados, limpar, analisar e preparar para um modelo.

Mini-projeto recomendado

Pegue uma base pública de churn, como clientes que cancelam um serviço, e faça:

1. Leitura dos dados.
2. Tratamento de valores nulos.
3. Análise de variáveis.
4. Gráficos simples.
5. Separação entre treino e teste.
6. Modelo inicial de classificação.
7. Conclusão em linguagem de negócio.

Não escreva apenas “a acurácia foi 0.82”. Escreva algo como:

“Usando variáveis de uso, tempo de contrato e suporte, o modelo identificou clientes com maior chance de cancelamento. Isso poderia ajudar uma empresa como iFood, Magalu ou uma fintech a priorizar ações de retenção.”

Isso muda a percepção do seu projeto.

Etapa 2: SQL, porque dados vivem em bancos#

Se você quer trabalhar com ML e não sabe SQL, vai sofrer.

Quase toda empresa guarda dados em bancos relacionais, data warehouses ou ferramentas parecidas. Antes de treinar modelo, você precisa buscar os dados certos.

Estude:

• SELECT.
• WHERE.
• GROUP BY.
• ORDER BY.
• JOIN.
• Subqueries.
• CTEs.
• Window functions.
• Agregações.
• Datas.
• Limpeza básica em SQL.

Em vagas no Itaú, Nubank, Stone e Globo, SQL aparece com frequência. Mesmo em cargos de ciência de dados e ML, é comum ter teste técnico com consulta SQL.

Como praticar SQL para ML

Crie perguntas de negócio.

Por exemplo:

• Quais clientes compraram nos últimos 30 dias?
• Qual categoria tem maior ticket médio?
• Qual usuário reduziu frequência de uso?
• Quais transações fogem do padrão?
• Qual região tem maior atraso de entrega?
• Qual produto tem maior taxa de devolução?

ML começa antes do modelo. Começa na pergunta certa.

Etapa 3: Estatística que aparece no trabalho#

Você não precisa começar por demonstrações matemáticas profundas. Mas precisa entender os conceitos que aparecem em análise, experimentos e avaliação de modelos.

Priorize:

• Média, mediana e desvio padrão.
• Distribuições.
• Correlação.
• Variância.
• Amostragem.
• Intervalo de confiança.
• Valor-p.
• Teste de hipótese.
• Teste A/B.
• Viés e variância.
• Overfitting e underfitting.

O que isso muda na prática

Imagine que você criou um modelo para prever fraude em transações.

Se o modelo acerta 99% dos casos, parece incrível. Mas se só 1% das transações são fraude, talvez ele esteja simplesmente dizendo “não é fraude” para quase tudo.

Por isso você precisa entender métricas, distribuição das classes e custo do erro.

Em bancos e fintechs, errar uma fraude pode custar dinheiro. Mas bloquear uma transação legítima também pode irritar o cliente e causar perda de receita.

Esse tipo de raciocínio diferencia alguém que só rodou código de alguém pronto para trabalhar.

Etapa 4: Machine Learning clássico#

Agora sim, entre nos modelos.

Comece por problemas supervisionados:

Regressão

Use quando quer prever um valor numérico.

Exemplos:

• Preço de imóvel.
• Demanda de pedidos.
• Tempo de entrega.
• Receita esperada.
• Risco financeiro em valor.

Modelos para estudar:

• Regressão linear.
• Ridge.
• Lasso.
• Random forest regressor.
• Gradient boosting.
• XGBoost ou LightGBM.

Classificação

Use quando quer prever uma categoria.

Exemplos:

• Cliente vai cancelar ou não.
• Transação é fraude ou não.
• Lead vai converter ou não.
• Candidato tem fit com vaga ou não.
• Comentário é positivo ou negativo.

Modelos para estudar:

• Regressão logística.
• KNN.
• Árvore de decisão.
• Random forest.
• Gradient boosting.
• XGBoost.
• SVM, pelo menos conceitualmente.

Não supervisionado

Use quando você não tem resposta pronta.

Exemplos:

• Segmentar clientes.
• Agrupar produtos parecidos.
• Detectar comportamento fora do comum.
• Reduzir dimensionalidade.

Modelos e técnicas:

• K-means.
• DBSCAN.
• PCA.
• Clustering hierárquico.

Etapa 5: métricas, o ponto que separa iniciante de profissional#

Muita gente pula métricas. Não pule.

Para classificação, estude:

• Acurácia.
• Precisão.
• Recall.
• F1-score.
• Matriz de confusão.
• ROC-AUC.
• PR-AUC.
• Threshold.
• Sensibilidade e especificidade.

Para regressão:

• MAE.
• MSE.
• RMSE.
• R².
• MAPE.

Exemplo prático: fraude

Se você está criando um modelo antifraude para uma fintech como Nubank ou Stone, recall pode ser muito importante, porque você quer capturar o máximo possível de fraudes.

Mas precisão também importa, porque se você bloquear clientes demais sem motivo, o suporte explode e a experiência piora.

Então a pergunta não é “qual modelo tem maior acurácia?”. A pergunta é:

“Qual modelo entrega o melhor equilíbrio para o custo do negócio?”

Esse é o tipo de frase que você pode levar para entrevista.

Etapa 6: projetos de portfólio que parecem trabalho real#

Você não precisa ter 20 projetos. Precisa ter 3 a 5 bons.

Um bom projeto de ML em 2026 deve ter:

1. Problema claro.
2. Dados explicados.
3. Limpeza e preparação.
4. Análise exploratória.
5. Modelo baseline.
6. Melhoria do modelo.
7. Métricas bem escolhidas.
8. Interpretação dos resultados.
9. Limitações.
10. Próximos passos.
11. README bem escrito.
12. Se possível, uma demo simples.

Projeto 1: previsão de churn

Problema: prever quais clientes têm maior chance de cancelar.

Empresas que se conectam com isso: iFood, Magalu, bancos, SaaS, telecom, streaming.

O que mostrar:

• Quais variáveis indicam risco.
• Como priorizar clientes.
• Qual métrica faz sentido.
• Como o time comercial ou atendimento usaria o resultado.

Projeto 2: detecção de fraude

Problema: identificar transações suspeitas.

Empresas conectadas: Itaú, Nubank, Stone, bancos digitais, adquirentes, e-commerce.

O que mostrar:

• Dados desbalanceados.
• Recall, precisão e F1.
• Ajuste de threshold.
• Custo de falso positivo e falso negativo.
• Explicabilidade básica.

Projeto 3: recomendação de produtos ou conteúdo

Problema: recomendar itens para usuários.

Empresas conectadas: Magalu, iFood, Globo, e-commerce, streaming.

O que mostrar:

• Popularidade como baseline.
• Similaridade entre itens.
• Filtragem colaborativa básica.
• Métricas de ranking.
• Como evitar recomendar sempre os mesmos itens.

Projeto 4: app com IA generativa e RAG

Problema: criar um assistente que responde com base em documentos.

Empresas conectadas: quase todas.

O que mostrar:

• Embeddings.
• Busca semântica.
• RAG.
• Avaliação de resposta.
• Cuidado com alucinação.
• Interface simples.

Você pode fazer um projeto como “assistente para políticas internas de RH” ou “buscador inteligente de perguntas frequentes de clientes”.

Só cuidado para não depender apenas de prompt. Mostre que você entende dados, avaliação e produto.

Etapa 7: fundamentos de engenharia para não travar no deploy#

Se você quer ser Machine Learning Engineer ou AI Engineer, precisa sair do notebook.

Estude o básico de:

• Git e GitHub.
• Estrutura de projeto.
• Testes simples.
• FastAPI.
• Docker.
• Variáveis de ambiente.
• Logs.
• APIs REST.
• Banco de dados.
• Deploy em serviço simples.
• Cloud básica, como AWS, GCP ou Azure.

Você não precisa virar especialista em Kubernetes no começo. Mas precisa saber transformar um modelo em algo que outra pessoa consegue usar.

Um deploy simples já conta muito

Por exemplo:

1. Treine um modelo de churn.
2. Salve o modelo com joblib ou pickle.
3. Crie uma API com FastAPI.
4. Envie dados de um cliente para o endpoint.
5. Retorne probabilidade de churn.
6. Coloque instruções no README.
7. Se conseguir, faça deploy em Render, Railway, Fly.io ou serviço similar.

Isso já mostra maturidade acima da média para uma vaga júnior.

Etapa 8: MLOps sem complicar demais#

MLOps é o conjunto de práticas para colocar, manter e monitorar modelos em produção.

No começo, estude o suficiente para conversar bem e aplicar em projetos pequenos.

Conceitos importantes:

• Versionamento de dados.
• Versionamento de modelos.
• Pipeline de treino.
• Monitoramento de métricas.
• Data drift.
• Model drift.
• Reprodutibilidade.
• Experimentos.
• Feature store, em nível conceitual.
• CI/CD básico.

Ferramentas comuns:

• MLflow.
• DVC.
• Airflow.
• Prefect.
• Docker.
• GitHub Actions.
• Evidently AI.
• Weights & Biases.

Não coloque todas no currículo se você só viu um vídeo. Escolha uma ou duas e use de verdade em um projeto.

Etapa 9: IA generativa, LLMs e o que estudar em 2026#

Você não precisa escolher entre Machine Learning clássico e IA generativa. O mercado gosta de quem entende os dois no nível certo.

Para LLMs, estude:

• O que são tokens.
• Como funcionam embeddings.
• Busca semântica.
• RAG.
• Chunking.
• Prompt engineering.
• Avaliação de respostas.
• Guardrails.
• Fine-tuning, pelo menos o conceito.
• Custos de API.
• Latência.
• Privacidade de dados.

Projetos bons com LLM

Faça algo útil e específico.

Ideias:

• Assistente para revisar descrições de vagas.
• Buscador semântico em documentos públicos.
• Chatbot para FAQ de e-commerce.
• Classificador de tickets de suporte.
• Resumidor de notícias com fontes.
• Ferramenta que analisa currículos contra vagas.

O ponto é mostrar que você sabe criar uma aplicação, não apenas chamar uma API.

Se você usa OpenAI, Anthropic, Gemini ou modelos open source, explique escolhas, custo, limitações e avaliação.

Como montar um plano de estudos de 12 semanas#

Se você quer começar agora, aqui vai um plano direto.

Semanas 1 e 2: Python e Pandas

Foco:

• Python básico.
• Pandas.
• Leitura de CSV.
• Limpeza simples.
• Gráficos.

Entrega:

• Um notebook com análise exploratória de uma base de vendas, clientes ou produtos.

Semanas 3 e 4: SQL e estatística

Foco:

• Consultas SQL.
• JOINs.
• GROUP BY.
• Window functions.
• Estatística descritiva.
• Correlação.
• Teste A/B básico.

Entrega:

• Um projeto com perguntas de negócio respondidas por SQL e gráficos.

Semanas 5 e 6: modelos supervisionados

Foco:

• Regressão.
• Classificação.
• Treino e teste.
• Cross-validation.
• Baseline.
• Overfitting.

Entrega:

• Modelo de churn ou previsão de preço com README.

Semanas 7 e 8: métricas e melhoria

Foco:

• Matriz de confusão.
• Precision, recall e F1.
• ROC-AUC.
• Feature engineering.
• Tratamento de desbalanceamento.
• Ajuste de threshold.

Entrega:

• Projeto de fraude ou churn com discussão de custo de erro.

Semanas 9 e 10: deploy e API

Foco:

• FastAPI.
• Docker básico.
• Salvar modelo.
• Criar endpoint.
• GitHub organizado.

Entrega:

• API de predição funcionando localmente, com instruções claras.

Semanas 11 e 12: LLM e projeto final

Foco:

• Embeddings.
• RAG.
• Avaliação simples.
• Interface básica.
• Documentação.

Entrega:

• App pequeno com IA generativa e README explicando problema, arquitetura e limitações.

O que colocar no currículo para vagas de Machine Learning#

Seu currículo precisa ser direto. Recrutador e hiring manager não têm tempo para decifrar.

Evite frases genéricas como:

• “Apaixonado por dados.”
• “Buscando oportunidade para aprender.”
• “Conhecimento em diversas tecnologias.”
• “Facilidade com trabalho em equipe.”

Use frases com evidência:

• “Criei modelo de churn com F1-score de 0,71, incluindo análise de variáveis, ajuste de threshold e recomendações de retenção.”
• “Desenvolvi API com FastAPI para servir modelo de classificação, com Docker e documentação no GitHub.”
• “Implementei protótipo RAG para busca em documentos, usando embeddings e avaliação manual de qualidade das respostas.”
• “Escrevi consultas SQL com CTEs e window functions para análise de comportamento de clientes.”

Se você está migrando de carreira

Não esconda sua experiência anterior. Traduza.

Se veio de marketing:

• Fale de segmentação, funil, conversão, CAC, LTV, campanhas e testes.

Se veio de finanças:

• Fale de risco, previsão, análise de carteira, inadimplência e indicadores.

Se veio de atendimento:

• Fale de tickets, churn, satisfação, NPS, tempo de resposta e classificação de problemas.

Se veio de operações:

• Fale de demanda, logística, produtividade, gargalos e previsão.

Machine Learning precisa de contexto de negócio. Sua bagagem pode ser vantagem.

Como se preparar para entrevistas#

Entrevistas de ML costumam misturar teoria, prática e comunicação.

Você pode esperar perguntas como:

1. Como você lidaria com dados desbalanceados?
2. Qual a diferença entre precision e recall?
3. Como evitar overfitting?
4. Como escolher uma métrica?
5. Como explicar um modelo para uma pessoa não técnica?
6. O que você faria se o modelo em produção piorasse?
7. Como validaria um sistema com LLM?
8. Como investigaria queda de performance?

Responda com exemplos

Não responda só a definição.

Em vez de dizer:

“Recall mede quantos positivos reais o modelo capturou.”

Diga:

“Em fraude, recall indica quantas fraudes reais foram detectadas. Se o recall é baixo, muitas fraudes passam. Mas eu também olharia precisão, porque bloquear transações legítimas demais pode prejudicar clientes e aumentar chamados no suporte.”

Isso soa muito mais profissional.

Erros que atrasam sua entrada em Machine Learning#

Vamos falar dos principais.

Erro 1: estudar matemática por meses sem praticar

Matemática importa, mas você não precisa esperar dominar álgebra linear, cálculo e probabilidade avançada para criar seu primeiro modelo.

Aprenda o necessário e aplique.

Erro 2: fazer só projetos do Kaggle sem contexto

Kaggle é ótimo para praticar. Mas projeto de portfólio precisa contar história.

Explique o problema, o impacto, a métrica e como a empresa usaria aquilo.

Erro 3: colocar 30 ferramentas no currículo

Se você lista Python, R, SQL, Spark, AWS, Azure, GCP, TensorFlow, PyTorch, Kubernetes, Airflow, MLflow, Tableau, Power BI, Databricks e não tem projeto, passa insegurança.

Melhor listar menos e provar mais.

Erro 4: ignorar LinkedIn e networking

Muitas vagas boas circulam por indicação. Comente posts, publique aprendizados, mostre projetos, peça feedback.

Não precisa virar influencer. Só precisa ser visível.

Erro 5: esperar estar 100% pronto

Você nunca vai se sentir 100% pronto. Comece a aplicar quando tiver:

• 2 bons projetos documentados.
• SQL básico a intermediário.
• Python para dados.
• Noção clara de métricas.
• Currículo alinhado com a vaga.
• Capacidade de explicar seus projetos.

Quais vagas buscar no começo#

Não procure só “Machine Learning Engineer Júnior”. Essas vagas existem, mas não são tantas.

Busque também:

• Analista de Dados Júnior.
• Cientista de Dados Júnior.
• Data Analyst com Python.
• AI Engineer Júnior.
• Estágio em Dados.
• Trainee em Dados.
• Analista de BI com Python.
• Analista de Risco com dados.
• Analista de CRM com modelagem.
• Product Analyst.
• Analytics Engineer Júnior.

Entrar por dados pode ser o caminho mais inteligente. Depois você migra internamente para projetos com ML.

Em empresas grandes, como Itaú, Globo, Magalu e iFood, existem muitos times onde dados são usados diariamente. Às vezes sua primeira chance não vem com o título perfeito, mas com o ambiente certo.

Quanto tempo leva para conseguir uma vaga?#

Depende do seu ponto de partida.

Uma estimativa realista:

• Se você já programa: 3 a 6 meses para montar bons projetos e aplicar.
• Se você já trabalha com dados: 3 a 6 meses para migrar para ML básico.
• Se você vem do zero: 9 a 18 meses para competir bem.
• Se busca vaga remota internacional: pode levar 12 a 24 meses, com inglês forte e projetos melhores.

Salários também variam.

No Brasil, cargos iniciais em dados podem começar perto de R$4k a R$8k. Pleno em dados e ML pode ficar entre R$10k e R$18k. Sênior pode passar de R$20k ou R$30k em empresas competitivas.

Para vagas remotas em empresas dos EUA ou Europa, valores como $70k, $90k ou $120k por ano podem existir, mas a régua é mais alta. Inglês, experiência real e entrevista técnica pesam bastante.

Seu plano simples para começar hoje#

Se você está perdido, faça isso nesta semana:

1. Instale Python, VS Code e Jupyter.
2. Crie uma conta no GitHub.
3. Escolha uma base de churn, fraude ou vendas.
4. Faça uma análise simples com Pandas.
5. Treine um modelo baseline.
6. Escreva um README explicando o problema.
7. Publique no LinkedIn o que você aprendeu.
8. Comece SQL em paralelo.
9. Revise seu currículo para destacar projetos.
10. Aplique para vagas relacionadas a dados, não só ML puro.

O segredo é parar de consumir conteúdo sem produzir evidência.

Machine Learning em 2026 recompensa quem consegue juntar três coisas:

• Base técnica.
• Problema de negócio.
• Comunicação clara.

Você não precisa parecer gênio. Precisa mostrar que consegue aprender, construir e explicar.

E antes de mandar currículo para vagas de Machine Learning, Ciência de Dados ou AI Engineer, vale checar se ele passa pelos filtros automáticos das empresas. Use o verificador gratuito da JobRise para revisar seu currículo agora: https://jobrise.io/pt/free-ats-checker/