Formação Acadêmica

• Graduação em Ciência da Computação, Engenharia da Computação ou áreas correlatas;
• Mestrado ou Doutorado em Inteligência Artificial, Processamento de Linguagem Natural (NLP), Aprendizado de Máquina, Deep Learning ou áreas afins.

Principais Atividades

• Pesquisa Científica e Liderança Técnica;
• Definir hipóteses científicas, protocolos experimentais e métricas de avaliação;
• Planejar e executar experimentos para validação de novos modelos, arquiteturas e metodologias;
• Conduzir estudos comparativos e análises estatísticas de desempenho;
• Orientar pesquisadores, analistas e engenheiros na condução de atividades de P&D;
• Garantir rigor científico, reprodutibilidade e conformidade metodológica;
• Redigir e revisar artigos científicos, relatórios técnicos e patentes;
• Apoiar a elaboração de propostas técnicas para projetos financiados por agências de fomento.

Principais Habilidades

• Atuação sólida em pesquisa aplicada e desenvolvimento experimental em IA;
• Domínio de métodos científicos, desenho experimental e análise estatística;
• Capacidade de transformar desafios científicos em soluções tecnológicas com impacto;
• Experiência na comunicação de resultados científicos para públicos técnicos, gestores e agências de fomento;
• Conhecimento em modelos de Linguagem de Grande Escala (LLMs), NLP avançado e Visão Computacional;
• Dominar Machine Learning e Deep Learning supervisionado, não supervisionado e auto-supervisionado;
• Entender sobre avaliação de modelos, definição de métricas e análise de desempenho;
• Dominar escrita, revisão e submissão de artigos científicos, escrita técnica para patentes, relatórios técnicos e documentos de projetos de P&D.

Habilidades desejáveis

• Publicações em conferências e periódicos científicos relevantes em IA/Software Engineering;
• Experiência com modelos multimodais (texto, áudio, vídeo e sensores);
• Atuação prévia em centros de pesquisa, laboratórios de P&D ou projetos financiados por agências públicas;
• Experiência em projetos colaborativos academia–indústria.

Tecnologias

• Linguagens: Python (avançado), Bash, C/C++;
• Frameworks e Bibliotecas de IA: PyTorch, TensorFlow, Hugging Face (Transformers, Datasets), Scikit-learn;
• NLP e LLMs: Fine-tuning, RAG (Retrieval-Augmented Generation), Prompt Engineering, avaliação e benchmarking de modelos;
• MLOps para Pesquisa: Docker, Kubernetes, Git, CI/CD, versionamento de dados e experimentos (DVC, LakeFS);
• Engenharia de Dados: SQL, NoSQL, pipeline de dados;
• Arquitetura de Software Científico: APIs REST, microsserviços, reprodutibilidade e rastreabilidade de experimentos;
• Monitoramento Científico: Métricas de modelos, detecção de drift de dados e auditoria de experimentos.

Idioma

• Inglês Avançado.