Publicada el 16 junio
Misión del puesto
DATA SCIENTIST / MLOps
Todos los posibles candidatos deben leer con atención los siguientes detalles de este trabajo antes de presentar una candidatura.
Perfil profesional
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 computación)
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. xpzdshu
#J-18808-Ljbffr
Hay opciones de teletrabajo/trabajo desde casa disponibles para este puesto.
