Científico de Datos Sénior

• PySpark & Spark SQL: Aplanamiento de JSON anidados (explode, structs), `mapInPandas` / UDFs de pandas, funciones de ventana para agregados de velocidad y de recuento de distintos, particionamiento y optimización del rendimiento.
• Databricks: Unity Catalog (catálogos, esquemas, permisos, máscaras de columna, etiquetas, linaje), ubicaciones externas en S3, políticas de clúster / computación incluyendo GPU, Auto Loader, Delta (MERGE, time travel, VACUUM), Workflows, Repos, alcances de secretos (secret scopes).
• AWS: S3, roles de IAM / perfiles de instancia, descifrado KMS en trabajos, Secrets Manager, conciencia básica de costes.
• Ingeniería de datos para ML: Diseño Medallion (Bronze / Silver / Gold), evolución de esquemas, cargas idempotentes, perfilado de DQ, Ingeniería de Características en UC (feature tables).
• Seudonimización en pipelines: Tokenización HMAC con claves por tipo de clave, normalización (Unicode NFKD, mayúsculas/minúsculas, ordenación de tokens), claves fonéticas, nunca registrar valores brutos, eliminación mediante scripts (DROP / VACUUM / destrucción de secretos).
• Resolución de entidades (implementación): Blocking / generación de candidatos con claves exactas y aproximadas, tolerancia de distancia de edición, puntuaciones de coincidencia, IDs subrogados, conteo de conflictos en lugar de fusión.
• Procesamiento de imágenes a escala: Ejecución de un trabajo por lotes en GPU que descifra, recorta y realiza el embedding de imágenes en memoria (PyTorch / timm), PCA, bucketing LSH.
• Clustering de datos mixtos: Práctica: `kmodes` (k-prototypes), `gower` + `kmedoids` con muestreo, R `kamila` en Databricks, `StepMix` (clase latente), bootstrap ARI.
• Selección de características: Información mutua, poda de correlación, PCA. Capacidad para ejecutar una búsqueda BPSO / GA con `mealpy`.
• MLOps y monitorización: Experimentos y registro de MLflow (alias), Lakehouse Monitoring* (métricas de perfilado y deriva en tablas Delta), alertas SQL, divergencia PSI / JS.
• Entrega: Escribe manuales de ejecución (runbooks) y documentación de nivel README. Deja un único Workflow de extremo a extremo que otra persona pueda ejecutar.
  Deseable
• Experiencia con los resultados JSON de AssureID / verificación de identidad.
• PyOD y formación básica en PyTorch (para apoyar a A en los VAEs en la semana 2).

¡Démosle vida a las grandes ideas tecnológicas! Con 3.000 personas en todo el mundo, Intellias es una empresa donde nacen soluciones tecnológicas de referencia. Únete y toma tu parte en la digitalización del mundo.

Únete a una iniciativa de plataforma de datos e IA transformadora, orientada a modernizar las capacidades a escala empresarial y permitir la toma de decisiones en tiempo real. Este proyecto ofrece una hoja de ruta integral que cubre IA, MLOps, gobernanza de datos y escalabilidad de la plataforma, apoyando la transición hacia operaciones centradas en los datos y la automatización inteligente.

• Configuración de la plataforma. Junto con el equipo de plataforma del cliente, aprovisionar y configurar el entorno de Databricks en la cuenta de la nube del cliente: catálogo y permisos, computación (incluyendo GPU), secretos, seguimiento de experimentos.
• Ingesta de datos segura. Construir una ingesta repetible de los resultados de verificación brutos e imágenes de documentos: análisis (parsing), seudonimización, controles de calidad de datos, gestión de esquemas.
• Ingeniería de características a escala. Implementar las tablas de características (feature tables):
  • trabajos por lotes de embedding de imágenes;
  • claves de vinculación exactas y aproximadas;
  • agregados de transacciones cruzadas y de velocidad;
  • resolución de entidades seudónimas.
• Soporte al modelado. Implementar métodos de selección de características y clustering de datos mixtos. Realizar comparaciones de modelos y pruebas de estabilidad, y dar soporte a las ejecuciones de entrenamiento de modelos de densidad.
• Automatización. Orquestar el pipeline de extremo a extremo como un flujo de trabajo programado, idempotente y reejecutable.
• Monitorización. Configurar el prototipo de monitorización de calidad de datos y de deriva (drift), con alertas, en las tablas de características y de puntuaciones.
• Ingeniería de privacidad. Implementar controles de acceso, campos de procedencia, linaje y el procedimiento de eliminación mediante scripts. Confirmar que ningún dato personal bruto llegue a la capa analítica.
• Documentación y entrega. Escribir manuales de ejecución (runbooks) y realizar una demostración en vivo, para que los ingenieros puedan operar todo de forma independiente.