VAGA DE MACHINE LEARNING SÊNIOR
Desenvolver projetos de visão computacional é a principal responsabilidade do engenheiro de machine learning sênior em nossa equipe.
Nesta posição, você trabalhará em conjunto com outros profissionais para desenvolver e implementar pipelines de inferência eficientes em produção. Além disso, será responsável por projetar, treinar, validar e otimizar modelos de deep learning para classificação, detecção e segmentação de imagens.
O candidato ideal deve ter experiência em Python, especialmente em bibliotecas como PyTorch, TensorFlow e OpenCV. Além disso, deve ter conhecimento em MLOps e boas práticas de engenharia de software.
Ao longo do tempo de projeto indeterminado, o engenheiro de machine learning sênior também trabalhará em conjunto com os 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 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, 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.
Preenche todos os requisitos e quer fazer parte do nosso time? Envie seu currículo para dayane.crispim@grupoeasy.com.br com o assunto [Vaga] – [Seu Nome].