Científico Aplicado

• Grado, Máster o Doctorado en Informática, Machine Learning, Estadística, Matemáticas, Física o un campo cuantitativo relacionado, o experiencia profesional equivalente. 
• Sólidos conocimientos fundamentales en machine learning, deep learning, estadística y optimización. 
• Experiencia práctica con frameworks modernos de deep learning como PyTorch o JAX, y con el stack científico de Python (NumPy, pandas, scikit-learn). 
• Experiencia con uno o más de los siguientes: LLMs e IA generativa, visión artificial, previsión de series temporales, redes neuronales de grafos o aprendizaje por refuerzo. 
• Capacidad demostrada para diseñar experimentos, definir métricas significativas y extraer conclusiones sólidas a partir de los datos. 
• Experiencia trabajando con conjuntos de datos a gran escala y computación distribuida (por ejemplo, Spark, Databricks o plataformas de ML en la nube como Azure, AWS o GCP). 
• Capacidad para escribir código limpio y mantenible, y para trabajar con ingenieros hacia el despliegue en producción. 
• Excelentes habilidades de comunicación, con la capacidad de explicar ideas técnicas complejas a diversas audiencias. 

• Se valorará contar con un historial de publicaciones en conferencias de primer nivel (por ejemplo, NeurIPS, ICML, CVPR, KDD). 
• La experiencia con datos geoespaciales, cartográficos, de movilidad o de sensores es un plus, pero no es obligatoria.

Un paquete de compensación competitivo, por supuesto.

Tiempo y recursos para crecer y desarrollarse, incluyendo un presupuesto de desarrollo personal y permisos retribuidos para días de aprendizaje, así como acceso de pago a recursos de e-learning como O'Reilly y LinkedIn Learning.

Tiempo para apoyar la vida fuera del trabajo, con una baja parental mejorada, además de permisos retribuidos para cuidar de seres queridos y realizar voluntariado en comunidades locales.

Flexibilidad laboral, donde los TomTom'ers, de común acuerdo con su responsable y su equipo, utilizan tanto la oficina como el hogar para concentrarse, colaborar, aprender y socializar. Se trata de sacar lo mejor de ambos mundos: pedimos a los TomTom'ers que acudan a la oficina dos días a la semana, y los tres días restantes pueden trabajarse en cualquiera de las dos ubicaciones.

Mejora tu oficina en casa con un presupuesto para equipamiento y obtén apoyo adicional con una asignación mensual.

Disfruta de opciones para trabajar desde tu país de origen y en el extranjero durante un número determinado de días cada año, para visitar a familiares y amigos, o simplemente para explorar el mundo que estamos mapeando.

Toma las vacaciones que quieras con un plan de vacaciones competitivo, además de un día libre adicional para celebrar tu cumpleaños.

Participa en eventos anuales como nuestro Hackathon y DevDays para dar vida a tus ideas con compañeros talentosos de todo el mundo.

Forma parte de nuestra cultura global inclusiva y ten la oportunidad de colaborar con una comunidad diversa: ¡tenemos más de 80 nacionalidades en TomTom!

Descubre más sobre nuestros beneficios globales y disfruta de beneficios locales adicionales adaptados a tu ubicación.

TomTom es un líder mundial en navegación, cartografía e información de tráfico. Únete a nuestro equipo dinámico y a nuestra vibrante cultura para contribuir a dar forma al futuro de la tecnología de localización.

Buscamos un Applied Scientist para definir cómo la IA comprende y utiliza los datos de localización de TomTom. Desarrollarás modelos de aprendizaje automático y diseñarás los sistemas que permitan a los LLM razonar con precisión sobre mapas, tráfico, puntos de interés y rutas. Convertirás preguntas de producto abiertas en problemas científicos bien definidos, validarás las soluciones mediante evaluaciones rigurosas y trabajarás con ingenieros de IA y de software para llevarlas a producción.

• Interfaces LLM–datos: Investigar y diseñar cómo los LLM acceden y razonan sobre los datos de TomTom. Esto incluye estrategias de recuperación para datos estructurados y geoespaciales, diseños de herramientas y API que los LLM puedan utilizar de forma fiable, enfoques de texto a consulta (text-to-query) y técnicas de fundamentación (grounding). 
• Representación de datos: Desarrollar representaciones que hagan que los datos de localización sean utilizables por la IA, como embeddings para entidades geoespaciales, grafos de conocimiento y formatos de contexto estructurados. 
• Ciencia de la evaluación: Definir cómo medimos si los sistemas impulsados por LLM son correctos. Construir benchmarks, métricas de veracidad y de alucinación, y conjuntos de datos de evaluación para tareas basadas en localización, y trabajar con ingenieros para automatizarlos. 
• Investigación y desarrollo de modelos: Diseñar, entrenar y ajustar modelos de ML y deep learning, incluyendo LLMs, visión artificial, series temporales y métodos basados en grafos, utilizando datos multimodales a gran escala. 
• Definición de problemas: Trabajar con product managers y stakeholders para identificar oportunidades de alto impacto y convertirlas en problemas científicos bien definidos con métricas de éxito claras. 
• De la investigación a la producción: Escribir código de calidad de producción y trabajar con ingenieros de IA y de software para llevar las soluciones del prototipo a la producción, equilibrando precisión, latencia, coste y escalabilidad. 
• Estado del arte: Mantenerse al día con las últimas investigaciones en LLMs, recuperación y sistemas de agentes, y adaptar las técnicas prometedoras a los problemas de TomTom. 
• Intercambio de conocimientos: Comunicar los hallazgos de forma clara a audiencias técnicas y no técnicas, y ayudar a construir una cultura científica sólida. Se fomentan las publicaciones externas y las patentes.