Engenheiro De Machine Learning Sr

VAGA ENGENHEIRO DE MACHINE LEARNING (SÊNIOR) | Grupo EasyLocal : 100% Home OfficeModalidade de Contratação : PJ ou Cooperado Tempo de Projeto : Indeterminado Responsabilidades principaisAnotar 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 obrigatóriosConhecimento 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).

DiferenciaisExperiência 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 interpretarVisão computacional (foco principal) :

• : 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).

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 :