Engenheiro De Machine Learning Sr

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

Modalidade de Contratação : PJ ou Cooperado.

Tempo de Projeto : Indeterminado.ResponsabilidadesAnotar 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. : 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) : precisão, recall, PR curves, AP por classe; Curva ROC e AUC; Matriz de confusão; Curvas de perda e acurácia durante o treinamento; Distribuição de IoU (IoU).

Learning curves (treino vs. validação).

Dados estruturados (como diferencial) : gráficos de resíduos em regressão; curvas de calibração; feature importance, SHAP e PDP / ICE; heatmaps de correlação e PCA (scree plot, biplot).

MLOps / produção : gráficos de drift de dados; distribuição de probabilidades de saída (overconfidence).

Métricas de latência / throughput; consumo de GPU / CPU / memória em inferência.Como candidatarAcha que preenche todos os requisitos e quer fazer parte do nosso time?

Envie seu currículo para : (email address) com o assunto : (Vaga) – (Seu Nome).

#J-18808-Ljbffr