Pular para o conteúdo principal
EnzRossi

Alocação de engenheiros de visão computacional

Contrate engenheiros de visão computacional no padrão das empresas americanas

Engenheiros de ML especializados em visão, com experiência em times de empresas dos EUA. Constroem sistemas de detecção de objetos, classificação, segmentação e análise de vídeo, e levam o modelo do treino até a inferência em produção, não só até o notebook de pesquisa.

30 engenheiros de visão computacional disponíveis agora

Por que a EnzRossi

Por que contratar engenheiros de visão computacional com a EnzRossi

Profissionais seniores, avaliados e preparados antes de chegar até você. A gente continua responsável depois da alocação.

No padrão das empresas americanas

Os mesmos profissionais que atendem empresas dos EUA: inglês fluente, code review, testes, documentação e comunicação direta. Agora no seu time.

Avaliados em cinco dimensões

Profundidade técnica, comunicação em inglês, fluência em ferramentas de IA, senso de dono e alinhamento cultural. Só 5% dos candidatos são aprovados.

Primeira shortlist em 3 dias

Sem meses de processo seletivo nem vaga parada. Você recebe perfis já avaliados e entrevista só quem faz sentido. Funções mais específicas levam de 7 a 10 dias.

2 semanas de teste e garantia de substituição

Se não for a pessoa certa, a substituição não tem custo e você paga só os dias trabalhados. Depois do teste, o contrato é mês a mês, sem multa de saída.

Em reais ou em dólar, você escolhe

Uma fatura por mês da EnzRossi, em reais ou em dólar. Nada de processo seletivo, admissão ou folha do seu lado.

Entre a pesquisa e a produção

Eles leem o paper e entregam o sistema. Estão acostumados a explicar para o time de produto a troca entre acurácia do modelo e latência de inferência.

Experiência com deploy na borda

Muita aplicação de visão roda em hardware embarcado. Vários têm experiência com modelos otimizados em Jetson, Raspberry Pi e celular (Core ML, TFLite). Alguns têm pós-graduação em visão computacional, com trabalhos em detecção de objetos ou imagem médica.

O que nossos engenheiros de visão computacional dominam

PyTorchTensorFlow / KerasOpenCVAlbumentations (data augmentation)Roboflow (gestão de datasets)Label Studio / CVAT (anotação)YOLO (v5, v8, v11)DETR / RT-DETRFaster R-CNN / Mask R-CNNResNet, EfficientNet, ViTU-Net, SAM (Segment Anything)Optical flow (RAFT, FlowNet)Rastreamento de objetos (DeepSORT, ByteTrack)Exportação para ONNXTensorRTTFLite / Core ML (mobile)NVIDIA JetsonMLflow / W&B (rastreamento de experimentos)Docker + Triton Inference ServerDICOM / imagem médica (nicho)

Como avaliamos engenheiros de visão computacional

Todo candidato passa pelas sete etapas antes de você ver o perfil. Depois da nossa triagem, você também pode fazer a sua própria rodada técnica.

7etapas de triagem
Top 5%dos candidatos aprovados
3 dias*até a primeira shortlist

* Para vagas comuns, como full-stack. Outras vagas costumam levar de 7 a 10 dias.

1

Análise de currículo

Etapa 1

Analisamos experiência, stack, senioridade e trajetória profissional em relação à vaga antes de chamar alguém para entrevista. A maioria dos candidatos para aqui.

2

Entrevista comportamental

Etapa 2

Uma entrevista estruturada que avalia estilo de comunicação, resolução de conflitos, senso de dono e inglês em contexto profissional.

3

Entrevista técnica 1

Específica da função

Uma sessão ao vivo de 90 minutos em três partes. Primeiro, escolha de modelo: dada uma tarefa de detecção (objetos, defeitos ou rostos em um ambiente específico), o candidato justifica o modelo com base na acurácia exigida, na meta de latência e nas limitações do hardware. Depois, treino: estratégia de data augmentation com Albumentations, desbalanceamento de classes, avaliação por mAP e ajuste de hiperparâmetros. Por fim, produção: como exportar o modelo para ONNX, otimizar com TensorRT, servir no Triton Inference Server e montar um monitoramento que detecte queda de desempenho quando a distribuição das imagens muda.

4

Entrevista técnica 2

Etapa 4

Uma segunda rodada, mais profunda, sobre arquitetura de sistemas, escolhas de design e code review, de acordo com a senioridade da vaga.

5

Desafio prático

Etapa 5

Um desafio para fazer em casa que reproduz o trabalho real. Avaliamos qualidade do código, testes, documentação e como o candidato explica as próprias decisões.

6

Checagem de referências

Etapa 6

Conversamos com pelo menos duas referências profissionais que trabalharam com o candidato, não com contatos pessoais.

7

Verificação de histórico

Etapa 7

Verificação de histórico profissional, formação e identidade, com consentimento por escrito e de acordo com a LGPD.

Depois da nossa triagem, você pode fazer a sua própria rodada técnica antes de fechar a contratação.

Perfis de exemplo

Quem você pode contratar

Perfis anônimos da nossa base de profissionais avaliados. Os candidatos da sua shortlist podem ser diferentes.

GM
Pleno

Engenheiro de visão computacional pleno

São Paulo, Brasil

4+ anos de experiência

YOLOv8PyTorchOpenCVMLflowDocker
IF
Sênior

Engenheiro de visão computacional sênior

Campinas, Brasil

7+ anos de experiência

DETRTensorRTTritonRastreamento em vídeoDeploy na borda
BO
Tech lead

Tech lead de visão computacional

Florianópolis, Brasil

10+ anos de experiência

Arquitetura de sistemas de visãoSAMImagem médicaPlataforma de MLOpsLiderança técnica

Receba perfis selecionados para os requisitos da sua vaga.

Receber perfis

O que esperar

O que diferencia nossos engenheiros de visão computacional

Os engenheiros de visão da nossa base constroem sistemas que funcionam no mundo real, não só no dataset de benchmark. Eles lidam com variação de luz, oclusão, mudança de domínio e requisito de latência. Usam IA para acelerar o próprio trabalho, principalmente na anotação e na exploração de arquiteturas.

01

Modelos de fundação (SAM, Grounding DINO) para acelerar a anotação. O auto-labeling reduz bastante o trabalho manual em datasets novos.

02

Copilot e papers-with-code para explorar variações de modelo antes de gastar uma rodada de treino.

03

Avaliação além do mAP: taxa de falso positivo por classe, falhas em condições específicas de luz ou câmera e latência no percentil 99.

04

Model cards com a distribuição dos dados de treino, os modos de falha e as condições de uso previstas. Ninguém descobre caso de borda em produção.

05

Falam a verdade sobre a diferença entre teste e produção. Se o modelo tem 95% de mAP no teste e 78% no vídeo ao vivo, você fica sabendo antes do deploy.

Dúvidas

Perguntas frequentes

Conheça seus próximos engenheiros de visão computacional

Conte o seu caso de uso de visão e onde o modelo vai rodar. A primeira shortlist chega em 3 dias.