Grupo CPA Monte Alegre do Sul, São Paulo, Brazil
VAGA ENGENHEIRO DE MACHINE LEARNING (SÊNIOR) | Grupo Easy
Local: 100% Home Office
Modalidade de Contratação: PJ ou Cooperado
Tempo de Projeto: Indeterminado
Responsabilidades principais
* 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 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 (Py Torch, Tensor Flow, Open CV).
* 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 Sage Maker 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 (Tensor RT, ONNX, quantização).
* Contribuições para projetos open source ou publicações técnicas.
Métricas e gráficos que deve saber interpretar
* Visão computacional (foco principal): m*****, m*****: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 Io U (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.
Se acha que preenche todos os requisitos e quer fazer parte do nosso time, envie seu currículo para: ?
#J-18808-Ljbffr