Ingeniero de ML

• Más de 4 años de experiencia aplicando machine learning a problemas del mundo real, desde los datos hasta el despliegue.
• Experiencia demostrada con sistemas de recomendación (filtrado colaborativo, ranking o similares) aplicada a productos reales.
• Sólidas habilidades en Python y experiencia práctica con librerías de ML (scikit-learn, PyTorch/TensorFlow, XGBoost o similares).
• Sólida experiencia en SQL y experiencia trabajando con grandes almacenes de datos (data warehouses).
• Experiencia práctica con herramientas de seguimiento de experimentos y/o registro de modelos (MLflow, Weights & Biases o equivalentes).
• Experiencia diseñando o contribuyendo a la monitorización de modelos / seguimiento del rendimiento en producción.
• Comodidad trabajando con plataformas en la nube (por ejemplo, GCP, AWS, Azure), Docker y Airflow.
• Una sólida base analítica, con formación en un campo cuantitativo (matemáticas, física, informática, ingeniería) o experiencia equivalente.

• Experiencia con Snowflake o almacenes de datos en la nube similares.
• Experiencia práctica en la construcción de aplicaciones con IA Generativa (LLMs), incluyendo la integración de APIs.
• Interés o experiencia temprana en sistemas RAG, ya sea a través de prototipos, proyectos personales o trabajo profesional.
• Interés o familiaridad con conceptos o frameworks de IA agéntica (por ejemplo, agentes de LangChain, CrewAI).
• Capacidad para crear interfaces de usuario sencillas (por ejemplo, Streamlit) para exponer los modelos de ML a equipos más amplios.

En Aristocrat, estamos haciendo avanzar la tecnología de juegos con soluciones modernas y potentes. Nuestra misión es aportar felicidad a la vida a través del juego. Valoramos la colaboración, la creatividad y una fuerte pasión por la excelencia. Estos puestos apoyan principalmente el área de Machine Learning de nuestra línea de negocio Product Madness, una empresa tecnológica especializada en juegos móviles de casino social. Buscamos un ML Engineer para unirse a nuestro equipo de MLOps y reforzar su núcleo de modelado. Te encargarás de los modelos de machine learning de principio a fin, desde los datos y la experimentación hasta la producción, y nos ayudarás a construir la cultura de monitorización y experimentación que los mantenga fiables y alineados con el negocio a lo largo del tiempo. Marcarás una verdadera diferencia en nuestros productos y en la experiencia de los jugadores.

• Diseñar, entrenar, evaluar y reentrenar modelos de machine learning con énfasis en sistemas de recomendación, que den soporte a las funciones del juego, la experiencia del jugador y la eficiencia operativa.
• Liderar el diseño de nuestra monitorización del rendimiento de los modelos: definir qué rastrear (drift, calidad de los datos, degradación), los umbrales y qué significa en términos de negocio que "el modelo sigue siendo saludable".
• Ayudar a establecer una cultura de experimentación sólida: versionado de modelos y seguimiento de experimentos con herramientas como MLflow o Weights & Biases, para que los experimentos sean reproducibles y las versiones de los modelos sean fáciles de comparar y promover.
• Ayudar a establecer una cultura de gobernanza de modelos: definir cómo se promueven los modelos a producción y sentar las bases del contrato de comunicación entre el equipo de MLOps y Data Science.
• Crear plantillas y estructuras tipo cookiecutter para estandarizar la forma en que Data Science estructura, entrega y comunica sus modelos y experimentos.
• Construir pipelines robustos de entrenamiento y de ingeniería de características (feature engineering), y escribir código Python y SQL limpio y listo para producción.
• Explorar y contribuir en proyectos de fase inicial que involucren LLMs, RAG y IA agéntica donde aporten valor, como complemento al rol, no como su núcleo principal.
• Desarrollar interfaces sencillas (por ejemplo, Streamlit) para exponer capacidades de ML a usuarios no técnicos cuando sea útil.
• Colaborar con equipos de producto, datos e ingeniería, y comunicar resultados, limitaciones y recomendaciones de forma clara tanto a audiencias técnicas como de negocio.

Expectativas de viaje - Se requiere un viaje mínimo (hasta el 5%)