Ingeniero MLOps Sénior

• Trabajo flexible desde una de nuestras oficinas o en remoto
• Sanidad Cobertura
• Presupuesto para formación: clases de idiomas, formación profesional y certificaciones
• Presupuesto de bienestar: reembolsos para salud mental y actividades físicas
• Política de vacaciones: 20 días de vacaciones anuales y baja por enfermedad retribuida

• Apoyo para la reubicación a uno de nuestros hubs (Chipre, Serbia, Georgia o Kazajistán), con asistencia para el empleado y su familia

• Más de 3 años de experiencia en ML Engineering, Data Engineering o DevOps con implicación directa en el despliegue y mantenimiento de sistemas de ML en producción.
• Experiencia construyendo pipelines de entrenamiento de ML con seguimiento de experimentos y registro de modelos (MLflow, W&B o similares).
• Comprensión de los conceptos de feature store y de los retos de consistencia entre entrenamiento y servicio (train-serve consistency).
• Sólidas habilidades en Python; comprensión de los frameworks de ML suficiente para empaquetar, servir y depurar modelos.
• Experiencia con Docker y orquestación de pipelines de ML (Kubeflow, Argo Workflows, Metaflow o similares).
• Sólidas habilidades en SQL y comprensión de la arquitectura de almacenes de datos (data warehouse).

• Nivel de inglés B1 o superior para una comunicación efectiva con un equipo internacional

Estamos buscando un Senior MLOps Engineer para unirse a nuestro equipo de Risk. El Risk team es responsable de las soluciones informáticas automatizadas en los procesos de gestión de riesgos. Dentro de este proceso, resolvemos las tareas para la creación de modelos y su inferencia en producción en tiempo real con un SLA específico, integramos una gran cantidad de servicios externos y tomamos decisiones basadas únicamente en datos.

Nuestro equipo de Data Science desarrolla modelos de scoring, incluyendo enfoques basados en redes neuronales, y necesitamos industrializar todo el ciclo de vida de ML. Buscamos un MLOps Engineer para construir la infraestructura de ML desde cero: desde pipelines de entrenamiento automatizados hasta una plataforma de features unificada que sirva tanto para la investigación en el DWH como para la inferencia en producción en tiempo real.

• Realizar la evaluación de soluciones de Feature Store / Feature Registry (Feast, Tecton o personalizadas), preparar una recomendación, diseñar la arquitectura y el proceso del ciclo de vida de las features (experimento → estable → producción). Liderar la implementación por parte de los equipos de ingeniería y plataforma.
• Diseñar, construir y ser responsable de los pipelines de entrenamiento y despliegue de ML: seguimiento de experimentos, registro de modelos, CI/CD para modelos, empaquetado y entrega a producción. Seleccionar la plataforma (MLflow o alternativas), establecer estándares de versionado y validación, y evolucionar la infraestructura de forma continua.
• Seleccionar las herramientas y configurar la monitorización de la calidad del modelo (drift, degradación) y la salud de las features (frescura, calidad de los datos) en colaboración con el equipo de DS. Definir el proceso de alertas y respuesta.