Engenheiro De Machine Learning Sr

Overview

VAGA ENGENHEIRO DE MACHINE LEARNING (SÊNIOR) | Grupo EasyLocal : 100% Home Office.

Modalidade de Contratação : PJ ou Cooperado.

Tempo de Projeto : Indeterminado.

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 retrabalho 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.

\u00c 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.

M e9tricas e anlises que deve saber interpretar

Vis e3o computacional (foco principal) : AP, PR curves por classe, Curva ROC e AUC, Matriz de confusão, Curvas de perda e acurácia durante o treinamento, IoU distribution.

Learning curves (treino vs. validação).

Dados estruturados (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 e consumo de GPU / CPU / memória em inferência.

Como candidatar

Se você atende aos requisitos e quer fazer parte do nosso time, envie seu currículo para o contato indicado pela empresa com o assunto correspondente à vaga.

#J-18808-Ljbffr