Desenvolvedor de Visão Computacional
Buscamos um profissional experiente em desenvolvimento de modelos de visão computacional para integrar nossa equipe.
* Cadastre e prepare datasets de visão computacional.
* Projetar, 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.
* 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 retraining 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 (ex.: PCA, análise de correlação, clustering com K-Means).
* Otimização de modelos para dispositivos de bordo (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).
Aprendizagem por Curvas (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.