Engenheiro De Machine Learning Sr

Overview

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

Responsabilidades

• 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 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.

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 (diferencial): gráficos de resíduos em regressão; curvas de calibração de probabilidade; feature importance, SHAP e PDP/ICE; 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.

Como candidatar

Envie seu currículo para o e-mail da empresa com o assunto: (Vaga) – (Seu Nome).

Local

Praia Grande, São Paulo, Brazil; Ribeirão Pires, São Paulo, Brazil

#J-18808-Ljbffr

---