PbData Scientist (AI Models) /b /ppModalidad híbrida en Madrid /ppNivel de inglés: avanzado /ppExperiencia: mínimo 2 años /ppbr/ppBuscamos un Científico de Datos para unirse al equipo Corporate Investment en Madrid. Contribuirá al desarrollo, validación e industrialización de modelos de aprendizaje automático e IA aplicados a problemas de negocio de alto impacto. /ppColaborarás con científicos de datos, ingenieros y partes interesadas del negocio para ofrecer soluciones robustas, explicables y escalables, abarcando todo el ciclo de vida, desde la definición del problema hasta la implementación y el monitoreo. /ppbr/ppbResponsabilidades: /b /pp• Desarrollar y aplicar modelos estadísticos, de aprendizaje automático e IA de vanguardia (supervisados/no supervisados, pronósticos, PLN, detección de anomalías, etc.) para casos de uso del entorno bancario. /pp• Realizar exploración de datos, ingeniería de características y evaluación de modelos mediante enfoques cuantitativos rigurosos. /pp• Aplicar las mejores prácticas en validación de modelos: validación cruzada, diagnóstico de sesgo/varianza, calibración, pruebas de robustez y análisis de sensibilidad. /pp• Implementar y mantener pipelines de aprendizaje automático reproducibles (entrenamiento, inferencia, monitoreo) con altos estándares de ingeniería de software. /pp• Contribuir a la explicabilidad y la gobernanza (p. ej., SHAP, atribución de características, estabilidad, documentación), en consonancia con un entorno regulado. /pp• Presentar los resultados con claridad tanto a audiencias técnicas como no técnicas; traducir los objetivos de negocio en objetivos de modelado medibles. /pp• Mantenerse al día con la IA moderna: aprendizaje profundo, modelos de aprendizaje automático (MLA), aprendizaje de representaciones y herramientas emergentes; prototipar cuando sea pertinente. /ppbr/ppbRequisitos indispensables: /b /pp• Licenciatura o maestría en Ciencias de la Computación, Matemáticas, Estadística, Física, Ingeniería o un campo cuantitativo relacionado. /pp• Sólidos conocimientos de bálgebra lineal, probabilidad, estadística, optimización y métodos numéricos. /b /pp• Sólidas habilidades de programación enb Python (código limpio, enfoque en pruebas, fundamentos de empaquetado). /b /pp• Experiencia práctica con bibliotecas de aprendizaje automático como bscikit-learn /by familiaridad con al menos un framework de aprendizaje profundo b(PyTorch o TensorFlow). /b /pp• Conocimientos prácticos de evaluación de modelos y métricas (bAUC, precisión/exhaustividad, RMSE, calibración, etc.) /b y metodología de experimentación. /pp• Experiencia trabajando con datos usando bpandas/numpy y realizando consultas SQL. /b /pp• Buenas habilidades de comunicación y capacidad para trabajar en equipos colaborativos y multidisciplinarios. /pp• Dominio avanzado de inglés. /ppbr/ppbSe valorará positivamente: /b /pp• Experiencia previa en puestos similares. /pp• Conocimientos de PLN (transformadores, incrustaciones), modelos lógicos del lenguaje (PLL) o conceptos de IA generativa (indicación, ajustes básicos, recuperación). /pp• Comprensión de los conceptos y herramientas de MLOps (p. ej., MLflow, Docker, CI/CD, monitorización de modelos). /pp• Experiencia con plataformas en la nube (AWS/Azure/GCP) y procesamiento distribuido (p. ej., Spark). /pp• Familiaridad con Databricks (o disposición para aprenderlo en el trabajo) para el desarrollo colaborativo y flujos de trabajo de aprendizaje automático escalables. /pp• Familiaridad con el modelado de series temporales, pruebas de estrés o inferencia causal. /pp• Interés o experiencia con productos y procesos de banca corporativa y de inversión / banca global (p. ej., préstamos, comercio y capital de trabajo, DCM/ECM, banca transaccional) y cómo los datos/la IA pueden respaldarlos (análisis de clientes, precios, límites, alerta temprana). /pp• Se valorará el conocimiento del riesgo de modelos/gobernanza en industrias reguladas (documentación, trazabilidad, controles). /pp• Familiaridad con conceptos de análisis financiero como los impulsores de pérdidas y ganancias, métricas del balance, FTP, capital/RWA o informes de gestión; capacidad para traducir los KPI financieros en objetivos de modelado. /pp• Comprensión de los fundamentos del riesgo (riesgo de crédito, riesgo de mercado, riesgo de liquidez, riesgo operativo) y temas comunes de modelado como PD/LGD/EAD, calificaciones/cuadros de puntuación, pruebas de estrés, señales de alerta temprana o monitoreo de cartera en un contexto regulado. /p