Estamos procurando um engenheiro de machine learning sênior para nosso time. Nossa empresa é uma referência em tecnologia e estamos procurando alguém com habilidades avançadas em visão computacional.
Descrição da Vaga
Oferecemos oportunidade de trabalhar em projetos inovadores e contribuir para o desenvolvimento de modelos de aprendizado de máquina avançados.
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 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 Treino; Distribuição de IoU (IoU).
* Learning Curves (Treino vs. Validação).
* Dados Estruturados (diferencial): gráficos de resíduos em regressão; curvas de calibração; Feature Importance, SHAP e PDP/ICE; Heatmaps de Correlação e PCA.
* MLOps / Produção: gráficos de detecção de drift de dados; distribuição de probabilidades de saída; medidas de latência/throughput; consumo de GPU/CPU/memória em inferência.
Se você acha que preenche todos os requisitos e quer fazer parte do nosso time, entre em contato conosco.