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

• 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.

• 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).

• Experiência em dados estruturados: preparação de dataset, treinamento e inferência em problemas de regressão e classificação tabular.
• Análise exploratória de dados estruturados (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.

• 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.
• 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.
• 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.