Pesquisador em AI

NeoSpace | Modelo: presencial (negociável)

Sobre a Neospace

A NeoSpace é uma startup inovadora que está moldando o futuro da tecnologia com soluções de inteligência artificial de ponta. Desenvolvemos modelos de IA especializados para otimizar processos e transformar a experiência de nossos clientes. Nosso objetivo é simplificar a vida das pessoas e aumentar a eficiência das empresas, criando produtos e serviços mais inteligentes e acessíveis.

O que buscamos

O Pesquisador am AI (Modelagem de Deep Learning) será responsável por investigar, desenvolver e validar novas arquiteturas, técnicas de treinamento e metodologias avançadas para modelos de aprendizado profundo. A função envolve pesquisa aplicada e exploratória, contribuindo tanto para a evolução científica da área quanto para o desenvolvimento de soluções inovadoras direcionadas ao produto e à estratégia da organização.

Responsabilidades

• Conduzir pesquisas avançadas envolvendo arquiteturas neurais modernas (Transformers, Diffusion Models, RNNs avançadas, Graph Neural Networks, modelos multimodais etc.).
• Desenvolver e avaliar algoritmos e pipelines de treinamento em grande escala, incluindo otimização, regularização, paralelização e técnicas de aceleração.
• Formular hipóteses, projetar experimentos e analisar resultados quantitativos e qualitativos com rigor científico.
• Propor melhorias em modelos existentes, explorando novas técnicas, arquiteturas e paradigmas de deep learning.
• Criar protótipos experimentais e demonstrar sua viabilidade para stakeholders técnicos.
• Colaborar com equipes de engenharia, produto e ciência para transformar pesquisa em soluções de impacto.
• Documentar experimentos, metodologias e descobertas em relatórios técnicos e publicações internas/externas.
• Acompanhar o estado da arte em IA, participando de conferências, benchmarkings e revisões sistemáticas da literatura.

Requisitos

• Forte domínio de Python e frameworks de DL (PyTorch preferencialmente; TensorFlow como adicional).
• Experiência prática no desenvolvimento e treinamento de modelos de deep learning em GPU/TPU.
• Sólido conhecimento de matemática aplicada: álgebra linear, cálculo, otimização, estatística e fundamentos de probabilidade.
• Conhecimento profundo dos fundamentos de redes neurais modernas e suas variantes (attention mechanisms, embeddings, convoluções, normalizações, técnicas de regularização, métodos de pré-treinamento).
• Experiência com manipulação de grandes datasets e técnicas de data augmentation.
• Familiaridade com infraestrutura moderna: ambientes distribuídos, treinamento paralelizado, mixed precision, profiling de modelos.
• Capacidade de implementar papers do estado da arte a partir de descrições experimentais e resultados
• Forte capacidade de condução de pesquisa exploratória com autonomia.
• Pensamento crítico e rigor científico no desenho e execução de experimentos.
• Clareza na comunicação de hipóteses, descobertas e limitações.
• Colaboração com equipes de engenharia, ciência e produto.
• Curiosidade intelectual e disposição para aprendizagem contínua.
• Resiliência frente a incertezas e experimentos de ciclo longo.

Diferenciais

• Experiência com LLMs, modelos generativos (GANs, diffusion), ou modelos multimodais de larga escala.
• Atuação prévia com pesquisa aplicada ou acadêmica; publicações em conferências de alto impacto (NeurIPS, ICML, ICLR, CVPR etc.).
• Experiência com MLOps de pesquisa: MLflow, Weights & Biases, DVC, ferramentas de rastreamento de experimentos.
• Conhecimento de arquiteturas de hardware acelerador (CUDA, kernels customizados, otimização de memória).
• Experiência em compressão de modelos (pruning, quantization, distillation) e deploy otimizado.
• Domínio de técnicas de avaliação, metric learning e benchmark científico.
• Familiaridade com simulações, modelagem matemática avançada ou física computacional.

Formação

• Graduação em Ciências da Computação, Estatística, Matemática, Engenharia Elétrica/Computação, Física ou áreas correlatas.
• Mestrado ou doutorado em Aprendizado de Máquina, Inteligência Artificial, Deep Learning ou áreas relacionadas é fortemente desejável/diferencial.
• Publicações e contribuições para a comunidade de IA são diferenciais relevantes.