Em uma equipe de alto desempenho, estamos procurando por um Engenheiro de Aprendizado de Máquina para integrar nossa equipe.
Nesta oportunidade, você terá a chance de trabalhar em projetos desafiadores e contribuir para o desenvolvimento de soluções inovadoras.
Responsabilidades:
* Anotar e preparar conjuntos de dados visuais.
* 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.
* 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 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): 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.