Overview
VAGA ENGENHEIRO DE MACHINE LEARNING (SÊNIOR) | Grupo EasyLocal: 100% Home Office
Modalidade de Contratação: PJ ou Cooperado
Tempo de Projeto: Indeterminado
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 experimentos, monitoramento e retreino 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 (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): 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.
Observação: este anúncio descreve a função e suas qualificações; candidaturas devem atender aos requisitos listados.
#J-18808-Ljbffr