Vaga: Engenheiro de Machine Learning (Sênior) – Grupo EasyLocal
Modalidade de Contratação: PJ ou Cooperado • Tempo de Projeto: Indeterminado • Local: 100% Home Office
Responsabilidades
* Anotar e preparar datasets de visão computacional.
* Projetar, treinar, validar e otimizar modelos de deep learning para classificação, detecção e segmentação de imagens.
* Treinar e implementar modelos YOLO (You Only Look Once) 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 de experimentos, monitoramento e re-treino automático.
* Trabalhar em conjunto 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 dataset, treinamento e inferência em problemas de regressão e classificação tabular.
* Análise exploratória de dados estruturados (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): 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 (IoU).
* Learning curves (treino vs. validação).
* Dados estruturados (diferencial): gráficos de resíduos em regressão; curvas de calibração de probabilidade; feature importance, SHAP e PDP/ICE; 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.
Como aplicar
Acha que preenche todos os requisitos e quer fazer parte do nosso time? Envie seu currículo para: [contato] com o assunto: (Vaga) – (Seu Nome)
#J-18808-Ljbffr