**Cargo:**
Oportunidade para trabalhar como engenheiro sênior em visão computacional.
Estamos procurando por um profissional experiente em máquina aprendizado com habilidades em visão computacional e MLOps para ocupar um cargo de destaque no nosso time.
**Responsabilidades:
* Anotar e preparar conjuntos de dados de visão computacional.
* Desenvolver, treinar, validar e otimizar modelos de aprendizado profundo para classificação, detecção e segmentação de imagens.
* Treinar e implementar modelos YOLO (You Only Look Once) para tarefas de detecção de objetos.
* Implementar práticas de MLOps: CI/CD de modelos, versionamento de dados e experimentos, monitoramento e re-trainamento automático.
* Trabalhar em conjunto com engenheiros de software para integrar os modelos em sistemas e aplicações.
**Requisitos obrigatórios:**
* Habilidade em Python em bibliotecas de ML/DL (PyTorch, TensorFlow, OpenCV).
* Experiência prática com YOLO (treinamento e inferência em problemas de detecção de objetos).
* Conhecimento sólido em visão computacional (classificação, detecção, segmentação).
* Experiência em MLOps com ferramentas: AWS SageMaker Studio, MLflow, Kubeflow, Docker, Kubernetes, Airflow.
* Habilidade em boas práticas de engenharia de software (Git, testes automatizados, ambientes reprodutíveis).
**Diferenciais:**
* Experiência em dados estruturados: preparação de dataset, treinamento e inferência em regressão e classificação tabular.
* Análise exploratória de dados estruturados (PCA, análise de correlação, clustering com K-Means).
* Otimização de modelos para dispositivos de borda (TensorRT, ONNX, quantização).
* Contribuições para projetos open source ou publicações técnicas.
**Métricas e gráficos que deve saber interpretar:**
* Visão Computacional (foco Principal): Curvas Precision-Recall e AP por classe; Curva ROC e AUC; Matriz de confusão; Curvas de perda e acurácia durante o treinamento; Distribuição de IoU; Learning curves.
* Dados Estruturados (Diferencial): Gráficos de resíduos em regressão; Curvas de calibração de probabilidade; Feature importance, SHAP e PDP/ICE plots; Heatmaps de correlação e PCA.
* MLOps / Produção: Detecção de drift de dados; Distribuição de probabilidades de saída; Métricas de latência/throughput; Consumo de GPU/CPU/memória em inferência.