Ingeniero MLOps

• 2-4 años de experiencia construyendo, desplegando y manteniendo sistemas de ML en producción.

• Sólidas habilidades en Python, incluyendo APIs, programación asíncrona, testing y arquitectura limpia.

• Experiencia práctica en el desarrollo y despliegue en producción de modelos de ML.

• Comprensión sólida de las prácticas de MLOps, incluyendo CI/CD, versionado de modelos, reproducibilidad y monitorización.

• Experiencia con la observabilidad de ML, incluyendo métricas de rendimiento, dashboards y alertas.

• Conocimiento de sistemas distribuidos, microservicios, Kubernetes e infraestructura en la nube.

• Gran capacidad de resolución de problemas (troubleshooting) en modelos, pipelines de datos, APIs e infraestructura.

• Proactivo, curioso y autónomo, con la capacidad de hacerse responsable de componentes técnicos de principio a fin.

• Un momento clave de crecimiento con responsabilidad real e impacto global.

• Modelo de trabajo flexible con opciones 100% remoto o híbrido.
  (Contratos remotos disponibles en España, Italia, Reino Unido, Bélgica, Países Bajos, Francia y Alemania.)

• Aprendizaje continuo a través de una plataforma de aprendizaje y clases de idiomas opcionales.

• Una cultura de apoyo basada en la confianza que valora el bienestar.

• Actividades de equipo, offsites y oportunidades para conectar más allá del trabajo.

• Presupuesto para la configuración de la oficina en casa de hasta 1.000 €

• Viajes pagados a nuestra sede en Madrid

• MacBook Pro M3

Estamos buscando un "MLOps Engineer" para unirse a nuestro equipo técnico y ayudar a construir el futuro de la publicidad neuro-contextual a escala global.

Como nuestro "MLOps Engineer", ayudarás a escalar y mantener la infraestructura detrás de Liz, la IA contextual de Seedtag, garantizando un despliegue de modelos de ML fiable, eficiente y de baja latencia en toda la web abierta y CTV.

Sus principales responsabilidades incluirán

• Despliegue de modelos de ML: Desplegar, mantener y optimizar modelos de ML en producción, garantizando los estándares de rendimiento, fiabilidad y latencia.

• Pipelines de datos: Construir y mejorar pipelines para la generación de conjuntos de datos, el entrenamiento de modelos, la validación y el análisis de rendimiento.

• Observabilidad de modelos: Implementar monitorización, dashboards, detección de deriva (drift) y alertas para garantizar la calidad y estabilidad de los modelos.

• Infraestructura de MLOps: Mejorar los pipelines de CI/CD, el versionado de modelos, la reproducibilidad y la automatización de la infraestructura.

• Optimización de rendimiento y costes: Identificar oportunidades para reducir los costes de servicio y mejorar la eficiencia sin comprometer la calidad del modelo.

• Automatización de IA: Desarrollar automatizaciones internas e integraciones de agentes para agilizar los flujos de trabajo de ML.

• Colaboración cross-functional: Trabajar estrechamente con los equipos de Data, Platform y Backend para solucionar problemas de producción y mejorar los sistemas de ML.

Outcome over Output
Medimos el éxito por el impacto y el valor, no por el volumen de funcionalidades o líneas de código.

Failure Is Allowed, Learning Is a Must
La experimentación es clave para la innovación. Probamos pronto, iteramos a menudo y aprendemos rápido.

We Are All Scouts
Asumimos la responsabilidad y dejamos las cosas mejor de como las encontramos.

We Are Data-Driven
Los datos informan nuestras decisiones y nos ayudan a mejorar continuamente nuestros sistemas y resultados.

Trabajarás con las tecnologías que impulsan LizCore, nuestra infraestructura de IA contextual, dando soporte al servicio de modelos de ML en tiempo real en toda la web abierta y CTV.

Nuestro stack incluye:

• Lenguajes: Python, Go.

• Cloud e Infraestructura: GCP, Vertex AI, Kubernetes, Terraform.

• MLOps y Monitorización: MLflow, Weights & Biases, Evidently, Prometheus, Grafana.

• Datos y Mensajería: Kafka, Redis, Bigtable, MongoDB.

• IA y Machine Learning: NLP, embeddings, ranking models, MCP, agentic workflows.

• Prácticas de Ingeniería: CI/CD, versionado de modelos, pruebas automatizadas, reproducibilidad.