Engenheiro De Machine Learning Sr

VAGA ENGENHEIRO DE MACHINE LEARNING (SÊNIOR) | Grupo EasyLocal: 100% Home Office. Modalidade 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): 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. Para se candidatar, envie seu currículo para: ****** com o assunto: (Vaga) – (Seu Nome) #J-18808-Ljbffr