Engenheiro(a) de Deep Learning Sênior (Séries Temporais no Setor de Energia)

confidential; United States; Remote; USD 150,000 - 210,000; Full time

Benefits offered by this job

Ambiente colaborativo

Trabalhe de qualquer lugar

Conexão global entre times

TotalPass e Mediquo

Team Care

Contratação e jornada definidas

Job summary

Sylision está contratando um Engenheiro(a) de Deep Learning Sênior para atuar com séries temporais no setor de energia, em regime 100% remoto. O foco é detectar consumos anômalos entre leituras de medidores, com metas de produzir modelos robustos em produção usando PyTorch/TensorFlow.

O papel envolve lidar com poucos rótulos, criar conjuntos de treino a partir de inspeções históricas, definir métricas de ranking e otimizar a inferência com quantização e ONNX, além de dimensionar GPUs para

Qualifications

• Experiência com redes neurais para séries temporais.
• Conhecimento em detecção de anomalias e avaliação de listas ranqueadas.
• Treino em GPU com controle reprodutível de experimentos.

Responsibilities

• Montar o conjunto de treino a partir de leituras e resultados das inspeções.
• Treinar autoencoders e modelos sequenciais para detecção de anomalia de consumo.
• Gerenciar rótulos escassos e uso de aprendizado semissupervisionado.
• Definir métricas de precisão para as primeiras posições da lista de inspeção.
• Otimizar inferência com quantização, ONNX e processamento em lote.
• Dimensionar uso de GPU para a janela noturna de processamento.
• Gerar explicações simples sobre o que levou à indicação.
• Acompanhar deriva dos modelos com mudanças de tarifa ao longo do ano.

Skills

PyTorch

TensorFlow

Análise de séries temporais

Detecção de anomalias

Tools

ONNX

CUDA

Docker

Job description

Vaga aberta de Engenheiro(a) de Deep Learning Sênior (Séries Temporais no Setor de Energia). A empresa contratante é confidencial neste anúncio, e a seleção é conduzida pela Sylision.

Nível: senior.

Modelo de trabalho: 100% Remoto.

Contratação: tempo integral, CLT ou PJ.

Sobre a vaga:

Milhões de medidores inteligentes enviam leituras a cada quinze minutos. Entre elas escondem-se consumos que sugerem ligação clandestina, medidor adulterado, equipamento com defeito ou apenas uma casa vazia no feriado. Separar esses casos com redes neurais é o desafio, porque o rótulo é raro, tardio e muitas vezes errado, já que só existe quando uma equipe visita o endereço.

Você vai treinar e levar para produção modelos de séries temporais, como autoencoders, redes recorrentes e arquiteturas de atenção, para detectar padrão anômalo de consumo. O trabalho passa por montar o conjunto rotulado a partir do histórico de inspeções, tratar a falta de rótulos, definir a métrica que importa para a equipe de campo e reduzir o modelo para rodar em lote sobre toda a base na janela noturna.

Funcionou quando a lista que o modelo manda para inspeção tem mais acertos do que a seleção atual por regra, quando o custo da GPU cabe na janela de processamento e quando é possível explicar para o campo por que aquele endereço foi indicado.

O que você vai fazer:

• Montar o conjunto de treino a partir de leituras e do resultado das inspeções
• Treinar autoencoders e modelos sequenciais para anomalia de consumo
• Lidar com poucos rótulos e com rótulos tardios usando aprendizado semissupervisionado
• Definir a métrica por precisão nas primeiras posições da lista de inspeção
• Otimizar a inferência com quantização, ONNX e processamento em lote
• Dimensionar o uso de GPU para a janela noturna de processamento
• Gerar explicações simples sobre o padrão que levou à indicação
• Acompanhar a deriva dos modelos entre estações do ano e mudanças de tarifa

Requisitos:

• Redes neurais para séries temporais em PyTorch ou TensorFlow
• Detecção de anomalia com poucos rótulos e avaliação de lista ranqueada
• Treino em GPU, com controle de experimento reproduzível
• Exportação e otimização de modelos para inferência em lote
• Python de produção com testes e containers
• Condução técnica de decisões de modelagem e de incidentes

Diferenciais:

• Conhecimento de dados de medição inteligente
• Aprendizado autossupervisionado em séries
• Conhecimento de perdas não técnicas no setor elétrico
• Experiência com processamento distribuído de grandes volumes de leitura
• Capacidade de transformar o resultado do modelo em protocolo para equipes de campo

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. Há revisão de experimento antes de qualquer modelo seguir para produção, e o retorno das inspeções alimenta a nova rodada de treino. O time documenta cada decisão de modelagem em um registro compartilhado.

Benefícios oferecidos pela empresa contratante:

• Ambiente colaborativo, com senso de comunidade e conquistas celebradas em equipe
• Trabalhe de qualquer lugar, com liberdade e flexibilidade
• Conexão global: convivência com times de diferentes países e culturas
• Apoio à saúde física com TotalPass e Mediquo
• Cuidado com a saúde mental pelo programa Team Care
• Contratação e jornada definidas com a empresa contratante

Tecnologias envolvidas:

• Python
• PyTorch
• Séries temporais
• Detecção de anomalias
• ONNX
• CUDA
• Docker
• TensorFlow

Seus dados: tratados conforme a LGPD, com remoção a qualquer momento, a pedido.