Publicada el 15 junio
Misión del puesto
DATA SCIENTIST / MLOps Perfil cualificado Profesional de Data Science / MLOps con más de 3 años de experiencia en el diseño, desarrollo, despliegue y operación de modelos de Machine Learning en entornos productivos. Especialización en automatización del ciclo de vida del ML (ML lifecycle), incluyendo pipelines de datos, despliegue en producción, monitorización de modelos y reentrenamiento.
Experiencia en entornos cloud, contenedores y plataformas de datos empresariales.
Experiencia profesional Data Scientist / MLOps Engineer - Desarrollo de modelos de Machine Learning en Python aplicados a problemas de negocio.
- Despliegue de modelos en producción utilizando Docker y Kubernetes.
- Diseño e implementación de pipelines de datos y automatización de workflows (CI/CD aplicado a ML).
- Uso de herramientas de control de versiones y experiment tracking (Git, MLflow o equivalentes).
- Monitorización de modelos en producción, detección de drift y ejecución de procesos de reentrenamiento.
- Integración de soluciones ML en entornos cloud (AWS / Azure / GCP).
- Optimización continua de modelos en producción para mejora de rendimiento.
- Administración y configuración de plataforma de datos Stratio, incluyendo optimización de sus componentes principales.
Machine
Learning / Data Engineer - Desarrollo de pipelines de datos escalables con procesamiento distribuido (Spark u otros).
- Creación de APIs para inferencia de modelos mediante arquitecturas de microservicios.
- Automatización de procesos de datos y ML con herramientas de orquestación (Airflow o similares).
- Aplicación de prácticas DevOps en entornos de datos y machine learning.
- Participación en proyectos de industrialización de modelos de IA.
Formación académica Titulación universitaria STEM (Ingeniería / Matemáticas / Telecomunicaciones o equivalente) Competencias técnicas Lenguajes:
- Python (avanzado) - SQL Machine Learning / MLOps:
- Scikit-learn, TensorFlow, PyTorch (según experiencia) - MLflow, Kubeflow, Metaflow - CI/CD aplicado a ML Contenedores e infraestructura:
- Docker - Kubernetes - Git Cloud computing:
- AWS / Azure / GCP (servicios de ML, almacenamiento y computaci��n) Data Engineering:
- Apache Spark - Airflow u otras herramientas de orquestación - Diseño de pipelines de datos Plataformas:
- Stratio (configuración, administración y optimización de componentes) MLOps avanzado:
- Monitorización de modelos en producción - Detección de drift - Retraining automático - Model governance y explicabilidad Proyectos (opcional) Industrialización de modelos de Machine Learning - Diseño de arquitectura end-to-end para despliegue de modelos en producción con monitorización y automatización del ciclo de vida. Plataforma de datos en cloud - Implementación de pipelines de datos y servicios ML en entorno cloud con orquestación y CI/CD. Sistema de inferencia en microservicios - Desarrollo de APIs para modelos ML desplegados en Kubernetes.
