Acerca de: Liderar la implementación y optimización de las arquitecturas de datos, infraestructura y modelos en producción, asegurando su escalabilidad, eficiencia y mantenimiento continuo, actuando como enlace entre los equipos de ciencia de datos, ingeniería y DevOps, para promover la adopción de mejores prácticas en MLOps.
Responsabilidades:
Definir la estrategia de MLOps en la organización para estandarizar y mejorar el despliegue, monitoreo y mantenimiento de modelos ML en producción.
Optimizar la infraestructura de modelos ML, reduciendo latencia y consumo de recursos computacionales, asegurando la mejor relación costo-beneficio en entornos cloud y on-premises.
Diseñar arquitecturas escalables para el procesamiento de datos en tiempo real, utilizando herramientas como Scala, Apache Spark y Kafka, con el objetivo de garantizar predicciones rápidas y eficientes en grandes volúmenes de datos
Implementar estrategias de detección de drift en modelos ML para asegurar que las predicciones sigan siendo relevantes con datos cambiantes.
Supervisar la seguridad y cumplimiento normativo en MLOps para mitigar riesgos en el uso de datos y modelos en la empresa, implementando controles y políticas de ética en el uso de datos y modelos.
Capacitar y guiar a ingenieros ML junior promoviendo buenas prácticas y estándares en el ciclo de vida de modelos.
Implementar modelos de ML con infraestructura serverless, utilizando componentes de GCP como Cloud Functions y AI Platform, para optimizar costos y mejorar la escalabilidad en producción.
Requisitos:
Experiencia de 5+ años en despliegue y mantenimiento de modelos de ML en producción.
Arquitectura y escalabilidad de modelos: Model distillation, deployment con TensorFlow Serving.
Optimización de pipelines ML: Feature store, streaming ML, Kubeflow Pipelines, DVC.
Automatización y CI/CD: Jenkins, GitOps.
Despliegue multinube: AWS, GCP, Azure.
Gobernanza de modelos: Auditoría, fairness, compliance en IA.
Microservicios para modelos de ML con Flask, FastAPI y Spring Boot.
Big Data: Apache Spark, Hadoop, Kafka, Databricks.
Escolaridad: Ingeniería en Computación, Sistemas, Ciencia de Datos o afines. Posgrado en Computación, Ciencia de Datos, IA, MLOps, Ingeniería de Datos, Inteligencia Artificial, Big Data & Analytics.
Beneficios:
Sueldo base
Fondo de ahorro
Descuentos en compras de muebles y ropa
Aguinaldo
Vacaciones
Prima vacacional
Reparto de utilidades
Día de cumpleaños
Becas para estudio
Útiles escolares
Club de protección familiar
Ambiente de trabajo agradable
Entre otros incentivos y prestaciones