VAGA ENGENHEIRO DE MACHINE LEARNING (SÊNIOR) | Grupo EasyLocal
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 (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.
Acha que preenche todos os requisitos e quer fazer parte do nosso time? Envie seu currículo para: (endereçamento substituído).
#J-18808-Ljbffr