Objetivo da Vaga
A busca por profissionais de Machine Learning Sênior é uma prioridade em projetos de Visão Computacional e MLOps. O profissional deve ter experiência em Python, PyTorch, TensorFlow, OpenCV e YOLO.
Responsabilidades
• 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
• 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
• 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, 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;