Descrição da vaga:
Engenheiro de Aprendizado de Máquina Sênior
* Anote e prepare conjuntos de dados para visão computacional;
* Projete, treine, valide e otimize modelos de aprendizado profundo para classificação, detecção e segmentação de imagens;
* Treine e implemente modelos YOLO (Você Só Olha Uma vez) para tarefas de detecção de objetos;
* Desenvolva e mantenha pipelines de inferência para execução eficiente em produção;
* Implemente práticas de Engenharia de Modelos: CI/CD de modelos, versionamento de dados e experimentos, monitoramento e re-treino automático;
* Trabalhe em conjunto com engenheiros de software para integrar os modelos em sistemas e aplicações.
Requisitos Obrigatórios:
* Cognição 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 Engenharia de Modelos com quaisquer das ferramentas: AWS SageMaker Studio, MLflow, Kubeflow, Docker, Kubernetes, Airflow;
* Cognição 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 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): mAP@0.5, mAP@0.5:0.95, 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 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);
* Engenharia de Modelos / 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.