Professor de Inteligência Artificial
\
Nossa equipe procura por profissionais qualificados para um papel em Inteligência Artificial. Em nossa empresa, o foco é fornecer soluções inovadoras com tecnologia e torná-las acessíveis a todos.
\
Descrição da Vaga
\
Responsáveis pelos seguintes tarefas:
\
\
1. Anotar e preparar datasets de visão computacional;
\
2. Projetar, treinar, validar e otimizar modelos de aprendizado de máquina para classificação, detecção e segmentação de imagens;
\
3. Treinar e implementar modelos YOLO (You Only Look Once) para tarefas de detecção de objetos;
\
4. Desenvolver e manter pipelines de inferência para execução eficiente em produção;
\
5. Implementar práticas de engenharia de dados: CI/CD de modelos, versionamento de dados e experimentos, monitoramento e re-treino automático;
\
6. Trabalhar em conjunto com profissionais de software para integrar os modelos em sistemas e aplicações.
\
\
Requisitos Obrigatórios
\
Experiência prática com Python em quaisquer das bibliotecas de ML/DL (PyTorch, TensorFlow, OpenCV).
\
Conhecimento em boas práticas de desenvolvimento de software (Git, testes automatizados, ambientes reprodutíveis).
\
Conhecimento em ferramentas como AWS SageMaker Studio, MLflow, Kubeflow, Docker, Kubernetes, Airflow.
\
Experiência em MLOps com qualquer uma dessas ferramentas.
\
Experiência sólida em visão computacional (classificação, detecção, segmentação).
\
Experiência em dados estruturados: preparação de dataset, treinamento e inferência em problemas de regressão (ex.: regressão linear, regressão logística, árvores de decisão) e classificação tabular.
\
Conhecimento em métodos de aprendizado de máquina avançados.
\
Diferenciais
\
Contribuições para projetos open source ou publicações técnicas.
\
Experiência em otimização de modelos para dispositivos de borda (TensorRT, ONNX, quantização).
\
Métricas e Gráficos
\
Aprender a interpretar métricas e gráficos importantes, como:
\
\
7. MAP@0.5, MAP@0.5:0.95;
\
8. Curvas Precision-Recall (PR) e AP por classe;
\
9. Curva ROC e AUC;
\
10. Matriz de confusão;
\
11. Curvas de perda e acurácia durante o treinamento;
\
12. Distribuição de IoU (Interseção Sobre a União);
\
13. Learning curves (treino vs. validação);
\
14. Gráficos de resíduos em regressão;
\
15. Curvas de calibração de probabilidade;
\
16. Feature importance, SHAP e PDP/ICE plots;
\
17. Heatmaps de correlação e PCA (scree plot, biplot);
\
18. Gráficos de detecção de drift de dados.
\
\
Caso você atenda aos requisitos e queira fazer parte do nosso time, envie seu currículo.