Especialista em Qualidade de Dados – IA/ML / Anotação de Dados

Requisitos do Cargo

• Mais de 2 anos de experiência em gerenciamento de qualidade de dados, operações de dados ou funções relacionadas em ambientes de IA/ML ou anotação de dados.
• Experiência em processos de anotação de dados, metodologias de garantia de qualidade e métricas estatísticas de qualidade (por exemplo, F1 score, concordância entre anotadores).
• Proficiência em ferramentas de anotação e QA (por exemplo, Labelbox, Dataloop, LabelStudio).
• Familiaridade com os conceitos fundamentais de pipelines de IA/ML, incluindo preparação de dados, treinamento de modelos e avaliação.

Responsabilidades

Análise de Dados

• Auditorias de Qualidade: Realizar auditorias de qualidade em conjuntos de dados anotados para garantir que atendam às diretrizes estabelecidas e aos padrões de qualidade.
• Relatórios Estatísticos: Utilizar métricas estatísticas de qualidade, como F1 score e concordância entre anotadores, para avaliar a qualidade dos dados.
• Análise de Causa Raiz: Analisar erros de anotação, tendências, processos e documentação do projeto para identificar e compreender a causa raiz dos erros e propor estratégias de remediação.
• Gestão de Casos de Exceção: Resolver e analisar anotações em casos de exceção para garantir a qualidade e identificar áreas de melhoria.
• Ferramentas: Tornar-se proficiente no uso de ferramentas de anotação e controle de qualidade para realizar revisões e acompanhar métricas de qualidade.
• Diretrizes: Tornar-se um especialista nas diretrizes específicas do projeto e fornecer feedback para possíveis esclarecimentos ou melhorias.

Melhoria Contínua

• Automação: Identificar oportunidades para usar automação a fim de aprimorar análises, fornecer insights mais aprofundados e aumentar a eficiência.
• Documentação: Desenvolver e manter documentação atualizada sobre padrões de qualidade, diretrizes de anotação e procedimentos de controle de qualidade.
• Feedback: Fornecer feedback regular que identifique áreas de melhoria em todo o pipeline de anotação.

Colaboração e Comunicação

• Trabalho Interfuncional: Colaborar de perto com partes interessadas-chave do projeto e clientes para compreender os requisitos do projeto e aprimorar os pipelines de anotação.
• Treinamento: Auxiliar no treinamento de anotadores, fornecendo orientação, feedback e suporte para garantir a qualidade dos dados.
• Relatórios: Fornecer atualizações regulares que destaquem métricas de qualidade de dados, principais descobertas e insights acionáveis para melhorias contínuas de processos.