Perfil do Candidato
Nosso time de Inteligência Artificial busca por profissionais experientes em Machine Learning para contribuir com sua expertise em visão computacional, Deep Learning e MLOps.
O candidato deve ter conhecimento em Python e experiência prática com YOLO, além de habilidades em boas práticas de engenharia de software.
* Anotar e preparar datasets de visão computacional;
* Projetar, treinar, validar e otimizar modelos de deep learning para classificação, detecção e segmentação de imagens;
* Treinar e implementar modelos YOLO (You Only Look Once) para tarefas de detecção de objetos;
* Desenvolver e manter pipelines de inferência para execução eficiente em produção;
* Implementar práticas de MLOps: 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 MLOps 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 edge devices (TensorRT, ONNX, quantização);
* Contribuições para projetos open source ou publicações técnicas.
Métricas e Gráficos a Serem Interpretados
* Visão computacional (foco principal): 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);
* 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);
* MLOps / 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.