Engenheiro de aprendizado de máquina (m/w/d) - Modelos básicos

Esta é a sua nova paixão
• Você desenvolve e treina nossos modelos de visão específicos de domínio com base em arquiteturas de última geração e usa nosso banco de dados de imagens residuais para pré-treinamento e pré-treinamento contínuo
• Você projeta nosso pipeline completo de treinamento de ML: desde a preparação de dados até o treinamento distribuído (PyTorch FSDP/DDP, Mixed Precision) até o versionamento de modelo
• Você cria e mantém nosso Eval Suite – a infraestrutura central que mede se nossos modelos estão realmente melhorando: sondagem linear, sondagem k-NN, detecção de poucos disparos, generalização entre domínios, detecção de anomalias
• Você ajusta e destila nossos modelos para tarefas downstream específicas e hardware de borda (sistemas de classificação, inferência de GPU)
• Você analisa sistematicamente execuções de treinamento, identifica problemas como colapso de recursos ou mudança de domínio e desenvolve soluções sustentáveis em vez de soluções alternativas de curto prazo
• Você trabalha em estreita colaboração com a equipe de back-end da nuvem para implantar modelos de maneira eficiente (ONNX, TensorRT, OpenVINO)
• Você acompanha ativamente os desenvolvimentos de pesquisas na área de visão computacional e traduz artigos relevantes em soluções produtivas
• Você pensa além do modelo e fica de olho em como seu trabalho afeta as operações reais – para sistemas de classificação, clientes e todo o sistema
É assim que você nos inspira

• Você tem vários anos de experiência no desenvolvimento e treinamento de modelos de visão computacional, de preferência com arquiteturas modernas de transformadores de visão e métodos de aprendizagem auto-supervisionados
• Você confia no PyTorch – incluindo treinamento distribuído (DDP, FSDP), precisão mista (bf16/fp16) e otimização de desempenho (torch.compile, criação de perfil)
• Você não apenas entende como treinar um modelo, mas também como avaliá-lo. Você sabe que um Eval Suite fraco torna qualquer pré-treinamento inútil
• Você tem experiência com pilhas de ferramentas modernas de ML para gerenciamento de configuração, rastreamento de experimentos, controle de versão de dados e bibliotecas de backbone
• Você usa ferramentas modernas de IA (por exemplo, Claude, Copilot) para acelerar a codificação de rotina e se concentrar nas questões realmente difíceis de pesquisa e arquitetura
• Você tem um bom entendimento de pipelines de dados para grandes quantidades de dados (milhões de imagens): formatos de dados eficientes, aumentos de GPU, gargalos de E/S
• Experiência com estruturas comuns de detecção/segmentação e detecção de anomalias é uma vantagem
• Você está familiarizado com otimização de inferência e destilação de modelos e, idealmente, já implantou modelos em hardware de borda
• Fortes habilidades de resolução de problemas, pensamento analítico e rigor científico - você trabalha baseado em hipóteses e não de acordo com o princípio de tentativa e erro

• Manuseio seguro de infraestrutura de GPU em nuvem (AWS, Azure, GCP ou H100/on-premise