Vaga Engenheiro de Aprendizado de Máquina (Sênior)
Trabalhamos em 100% Home Office.
Atribuições:
* Anotar e preparar conjuntos de dados de visão computacional.
* Projetar, treinar, validar e otimizar modelos de aprendizado profundo para classificação, detecção e segmentação de imagens.
* Treinar e implementar modelos YOLO (Você Só Olha Uma vez) 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.
* Colaborar 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 conjunto de dados, 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 que deve Saber Interpretar:
1. Visão Computacional (Foco Principal):
2. mAP@0.5, mAP@0.5:0.95.
3. Curvas Precision-Recall (PR) e AP por classe.
4. Curva ROC e AUC.
5. Matriz de Confusão.
6. Curvas de Perda e Acurácia Durante o Treinamento.
7. Distribuição de IoU (Interseção Sobre a União).
8. Learning Curves (Treino vs. Validação).
9. Dados Estruturados (como Diferencial):
10. Gráficos de Resíduos em Regressão.
11. Curvas de Calibração de Probabilidade.
12. Feature Importance, SHAP e PDP/ICE Plots.
13. Heatmaps de Correlação e PCA (Scree Plot, Biplot).
14. MLOps / Produção:
15. Gráficos de Detecção de Drift de Dados.
16. Distribuição de Probabilidades de Saída (Overconfidence).
17. Métricas de Latência/Throughput.
18. Consumo de GPU/CPU/Memória em Inferência.