Descrição do Cargo
* Anotar e preparar conjuntos de dados para visão computacional;
* Desenvolver, treinar, validar e otimizar modelos de aprendizado profundo para classificação, detecção e segmentação de imagens;
* Treinar e implementar modelos YOLO (You Only Look Once) para tarefas de detecção de objetos;
* Implementar pipelines de inferência para execução eficiente em produção;
* Desenvolver práticas de MLOps: CI/CD de modelos, versionamento de dados e experimentos, monitoramento e retreino automático;
* Trabalhar em conjunto com engenheiros de software para integrar os modelos em sistemas e aplicações.
Requisitos Obrigatórios
* Conhecimento avançado de Python em quaisquer das bibliotecas de ML/DL (PyTorch, TensorFlow, OpenCV);
* Experiência prática em YOLO (treinamento e inferência em problemas de detecção de objetos);
* Experiência sólida em visão computacional (classificação, detecção, segmentação);
* Experiência em MLOps com ferramentas como AWS SageMaker Studio, MLflow, Kubeflow, Docker, Kubernetes, Airflow;}
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 edge (TensorRT, ONNX, quantização);
* Contribuições para projetos open source ou publicações técnicas.
Métricas e Gráficos
* Visão Computacional: Curvas Precision-Recall (PR) e AP por classe;
* Curva ROC e AUC;
* Matriz de confusão;
* Curvas de perda e acurácia durante o treinamento;
* Distribuição de IoU (Interseção Sobre a União);
* Learning curves (treino vs. validação);
* 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);
* Gráficos de detecção de drift de dados, Distribuição de probabilidades de saída (overconfidence), Métricas de latência/throughput, Consumo de GPU/CPU/memória em inferência.