Engenheiro(a) de Deep Learning Sênior (Visão Computacional na Educação)

confidential; United States; Remote; USD 150.000 - 190.000; Vollzeit

Benefits dieser Stelle

Ambiente colaborativo

Trabalhe de qualquer lugar

Conexão global com times de diferentes

Apoio à saúde física

Saúde mental com Team Care

Zusammenfassung

Sylision está recrutando um Engenheiro(a) de Deep Learning sênior com foco em visão computacional aplicada à educação. A posição é 100% remota, de tempo integral, com opções CLT ou PJ, dedicada ao desenvolvimento de sistemas que leem e transcrevem respostas em folhas e provas, lidando com ruídos, sombras e rasuras.

O candidato trabalhará com modelos avançados e otimização para produção com custo eficiente. Você irá projetar e treinar modelos de detecção, classificação e OCR, definir métricas de

Qualifikationen

• Conhecimento em visão computacional com redes CNN ou Transformers, para detecção e classificação.

Aufgaben

• Projetar arquitetura de visão para alinhamento de folhas, detecção de campos e leitura de marcações.
• Treinar modelos de OCR para campos curtos.
• Montar rotulagem e revisão de dados difíceis, como rasuras ou marca fraca.
• Calibrar confiança e definir triggers para envio à revisão humana.
• Reduzir custo de inferência com quantização e exportação ONNX.
• Conduzir retreino com dados novos conforme necessidade.

Kenntnisse

Visão computacional

Treinamento em GPU

Avaliação de modelos

Detecção e classificação

Tools

PyTorch

TensorFlow

CUDA

ONNX

Docker

Git

OCR

Quantização

Jobbeschreibung

Vaga aberta de Engenheiro(a) de Deep Learning Sênior (Visão Computacional na Educação). 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:

Escolas e cursos preparatórios recebem milhares de folhas de resposta e de provas escritas à mão, fotografadas por celular ou digitalizadas em scanner de baixa qualidade. Hoje a leitura das marcações e a transcrição de respostas curtas são feitas por equipe, com atraso de dias e erros de digitação. O que se pede é um sistema de visão computacional que leia a folha, localize as alternativas marcadas, identifique rasuras e transcreva campos manuscritos.

O problema real está nos casos feios: foto torta e com sombra, marca de lápis fraca, aluno que apaga e remarca, folha dobrada, letra pouco legível. Você vai desenhar os modelos de detecção, de classificação de marcação e de reconhecimento de texto manuscrito, montar o processo de rotulagem com revisores, treinar em GPU e levar a inferência para um custo compatível com a escala, usando quantização e exportação para ONNX.

A métrica que importa é por tipo de erro. Marcar errado a resposta de um aluno tem custo muito maior do que mandar a folha para revisão, então o sistema precisa saber quando não tem certeza. Você define limiares por campo, mede a taxa de erro por campo e a proporção de folhas que dispensam revisão, e responde pelo comportamento do modelo em produção, incluindo o retreino quando aparece um novo modelo de folha.

O que você vai fazer:

• Projetar a arquitetura de visão para alinhar a folha, detectar campos e ler as marcações
• Treinar modelos de reconhecimento de texto manuscrito para campos curtos
• Montar o processo de rotulagem e de revisão de dados difíceis, como rasura e marca fraca
• Calibrar a confiança e definir quando a folha vai para revisão humana
• Reduzir o custo de inferência com quantização e exportação para ONNX
• Medir erro por campo e por tipo de folha e conduzir o retreino com dados novos
• Definir o padrão de experimento e orientar outras pessoas do time

Requisitos:

• Visão computacional com redes convolucionais ou transformadores, de detecção a classificação
• PyTorch com domínio de treino em GPU e depuração de treino
• Aumento de dados e tratamento de desbalanceamento em rótulos difíceis
• Otimização para inferência: quantização, ONNX e perfil de latência
• Métricas por tarefa e leitura de matriz de erro orientada ao custo do erro
• Decisão de arquitetura e responsabilidade pelo resultado em produção

Diferenciais:

• Prática com reconhecimento óptico e texto manuscrito
• Conhecimento de calibração de probabilidade e rejeição de exemplos incertos
• Ter operado um fluxo de rotulagem com revisores
• Experiência com inferência em dispositivo móvel ou em servidor com GPU compartilhada

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. Resultados de experimentos e decisões de arquitetura ficam registrados e são discutidos em revisão com o time. Você acompanha as folhas enviadas à revisão humana para entender o que o modelo ainda não aprendeu. Na candidatura, informe a sua pretensão salarial.

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
• TensorFlow
• CUDA
• ONNX
• Visão computacional
• OCR
• Quantização
• Docker
• Git

Seus dados:

tratados conforme a LGPD, com remoção a qualquer momento, a pedido.