O vâgao de Engenheiro de Machine Learning (Sênior) é uma oportunidade excepcional para trabalhar em projetos inovadores e desafiadores, aplicando conhecimentos avançados em visão computacional, aprendizado de máquina e desenvolvimento de modelos.
Descrição do Cargo
Buscamos um profissional experiente que tenha habilidades sólidas em Python, com experiência prática em YOLO e conhecimento em boas práticas de engenharia de software. Além disso, é fundamental ter experiência em MLOps com ferramentas como AWS SageMaker Studio, MLflow, Kubeflow, Docker, Kubernetes e Airflow.
Competências Requeridas
* Python: Conhecimento avançado em linguagem, com habilidades em bibliotecas de ML/DL (PyTorch, TensorFlow, OpenCV).
* YOLO: Experiência prática em treinamento e inferência em problemas de detecção de objetos.
* Visão Computacional: Experiência sólida em classificação, detecção e segmentação de imagens.
* MLOps: Experiência em CI/CD de modelos, versionamento de dados e experimentos, monitoramento e re-treino automático.
Benefícios da Vaga
A vaga oferece a oportunidade de trabalhar em projetos inovadores e desafiadores, aplicando conhecimentos avançados em visão computacional, aprendizado de máquina e desenvolvimento de modelos. Além disso, o profissional terá a chance de se destacar no mercado e contribuir para o sucesso da equipe.
Diferenciais da Vaga
O cargo oferece a possibilidade de trabalhar em diversas áreas, incluindo dados estruturados, análise exploratória e otimização de modelos. Além disso, o profissional terá acesso a ferramentas e tecnologias de ponta para desenvolver habilidades e conhecer novas áreas.
Métricas e Gráficos que Devem Saber Interpretar
* Visão Computacional: 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.
* Dados Estruturados: Gráficos de resíduos em regressão, Curvas de calibração de probabilidade, Feature importance, SHAP e PDP/ICE plots, Heatmaps de correlação e PCA.
* 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.