Descrição da Vaga
">
Buscamos um profissional de alta capacidade para trabalhar em projetos inovadores e desafiadores na área de visão computacional.
">
Responsabilidades Principais
">
* Anotar e preparar conjuntos de dados;
* Desenvolver, treinar, validar e otimizar modelos de aprendizado de máquina 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 Engenharia 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 Obrigatórios
">
* Conhecimento avançado em 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 (análise das componentes principais - PCA, análise de correlação, clustering com K-Means);
* Otimização de modelos para dispositivos de bordo;
* Contribuições para projetos open source ou publicações técnicas.
">
Métricas e Gráficos que deve saber Interpretar
">
* Visão computacional: mAP@0.5, Curvas Precision-Recall (PR) e AP por classe, Curva ROC e AUC, Matriz de confusão;
* Dados estruturados: Gráficos de resíduos em regressão, Feature importance, SHAP plots, Heatmaps de correlação e PCA;
* MLOps / produção: Gráficos de detecção de drift de dados, Distribuição de probabilidades de saída (overconfidence), Métricas de latência/throughput.
">,