Engenheiro De Machine Learning Sr

Grupo CPA Volta Redonda, Rio de Janeiro, Brazil

VAGA ENGENHEIRO DE MACHINE LEARNING (SÊNIOR)

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.

Se acha que preenche todos os requisitos e quer fazer parte do nosso time, envie seu currículo para: ******

#J-18808-Ljbffr

---