Buscamos um profissional competente para exercer o cargo de Engenheiro de Aprendizado de Máquina Sênior.
Abaixo, encontrará as principais responsabilidades e requisitos obrigatórios para a vaga.
* Realizar anotações e preparar conjuntos de dados de visão computacional.
* Desenvolver, treinar, validar e otimizar modelos de aprendizado profundo para classificação, detecção e segmentação de imagens.
* Treinar e implementar modelos YOLO (Você Só Olha Uma vez) para tarefas de detecção de objetos.
* Desenvolver e manter pipelines de inferência para execução eficiente em produção.
* Implementar práticas de Engenharia de Modelos: CI/CD de modelos, versionamento de dados e experimentos, monitoramento e re-treino automático.
* Trabalhar em conjunto com engenheiros de software para integrar os modelos em sistemas e aplicações.
Requisitos Obrigatórios:
* Conhecimento de Python em quaisquer das bibliotecas de ML/DL (PyTorch, TensorFlow, OpenCV).
* Experiência prática com YOLO (treinamento e inferência em problemas de detecção de objetos).
* Experiência sólida em visão computacional (classificação, detecção, segmentação).
* Experiência em Engenharia de Modelos com quaisquer das ferramentas: AWS SageMaker Studio, MLflow, Kubeflow, Docker, Kubernetes, Airflow.
* Conhecimento em boas práticas de engenharia de software (Git, testes automatizados, ambientes reprodutíveis).
Diferenciais:
* 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.
* Análise exploratória de dados estruturados (ex.: Análise das componentes principais - PCA, análise de correlação, clustering com K-Means).
* Otimização de modelos para dispositivos de borda (TensorRT, ONNX, quantização).
* Contribuições para projetos open source ou publicações técnicas.
Métricas e Gráficos que Deve Saber Interpretar:
* Visão Computacional (Foco Principal): mAP@0.5, mAP@0.5:0.95, Curvas Precision-Recall (PR) e AP por classe, Curva ROC e AUC, Matriz de Confusão.
* Dados Estruturados (como Diferencial): Gráficos de Resíduos em Regressão, Curvas de Calibração de Probabilidade, Feature Importance, SHAP e PDP/ICE Plots, Heatmaps de Correlação e PCA (Scree Plot, Biplot).
* Engenharia de Modelos / Produção: Gráficos de Detecção de Drift de Dados, Distribuição de Probabilidades de Saída (Overconfidence), Métricas de Latência/Throughput, Consumo de GPU/CPU/Memória em Inferência.