Resumen: Buscamos un Ingeniero Senior de ML para diseñar, desarrollar e implementar soluciones de aprendizaje automático listas para producción, mentorizar a ingenieros y contribuir a las mejores prácticas de ML. Aspectos destacados: 1. Diseñar e implementar soluciones de ML de extremo a extremo, desde la experimentación hasta la producción 2. Mentorizar a ingenieros de ML junior y de nivel medio y contribuir a las prácticas internas de ML 3. Experiencia práctica con LLM, IA generativa, MLOps y plataformas en la nube Como Ingeniero Senior de ML en Provectus, será responsable de diseñar, desarrollar e implementar soluciones de aprendizaje automático listas para producción para nuestros clientes. Trabajará en problemas complejos de ML, mentorizará a ingenieros junior y contribuirá a la creación de aceleradores de ML y mejores prácticas. ### **Responsabilidades principales:** * 1\. Entrega técnica (60%) * Diseñar e implementar soluciones de ML de extremo a extremo, desde la experimentación hasta la producción * Construir canalizaciones y infraestructura de ML escalables * Optimizar el rendimiento, la eficiencia y la fiabilidad de los modelos * Escribir código limpio, mantenible y de calidad para producción * Realizar experimentación rigurosa y evaluación de modelos * Solucionar y resolver desafíos técnicos complejos * 2\. Colaboración y contribución (25%) * Mentorizar a ingenieros de ML junior y de nivel medio * Realizar revisiones de código y brindar comentarios constructivos * Compartir conocimientos mediante documentación, presentaciones y talleres * Colaborar con equipos multifuncionales (DevOps, Ingeniería de Datos, SAs) * Contribuir al desarrollo de las prácticas internas de ML * 3\. Innovación y crecimiento (15%) * Mantenerse actualizado con la investigación en ML y las tecnologías emergentes * Proponer mejoras en soluciones y procesos existentes * Contribuir al desarrollo de aceleradores de ML reutilizables * Participar en discusiones técnicas y decisiones arquitectónicas ### **Requisitos:** * 1\. Núcleo de Aprendizaje Automático * + Fundamentos de ML: aprendizaje supervisado, no supervisado y por refuerzo + Desarrollo de modelos: ingeniería de características, entrenamiento de modelos, evaluación, ajuste de hiperparámetros y validación + Marcos de ML: bibliotecas clásicas de ML, TensorFlow, PyTorch o marcos similares + Aprendizaje profundo: CNN, RNN, Transformers * 2\. LLM e IA generativa * + Aplicaciones de LLM: experiencia en el desarrollo de aplicaciones basadas en LLM para producción + Ingeniería de indicaciones (prompt engineering): capacidad para diseñar indicaciones efectivas y estrategias de cadena de razonamiento (chain-of-thought) + Sistemas RAG: experiencia en la construcción de arquitecturas de generación aumentada por recuperación (retrieval-augmented generation) + Bases de datos vectoriales: familiaridad con modelos de incrustación (embedding) y búsqueda vectorial + Evaluación de LLM: experiencia con métricas y técnicas de evaluación de salidas de LLM * 3\. Datos y programación * + Python: competencia avanzada en Python para aplicaciones de ML + Manipulación de datos: dominio experto de pandas, numpy y bibliotecas de procesamiento de datos + SQL: capacidad para trabajar con datos estructurados y bases de datos * \- Canalizaciones de datos: experiencia en la construcción de canalizaciones ETL/ELT \- Big Data: experiencia con Spark o marcos similares de computación distribuida * 4\. MLOps y producción * + Implementación de modelos: experiencia en la implementación de modelos de ML en entornos de producción + Contenerización: competencia con Docker y orquestación de contenedores + CI/CD: comprensión de la integración y despliegue continuos para ML + Monitoreo: experiencia en monitoreo de modelos y observabilidad + Seguimiento de experimentos: familiaridad con MLflow, Weights and Biases u herramientas similares * 5\. Nube e infraestructura * + Servicios de AWS: amplia experiencia con servicios de ML de AWS (SageMaker, Lambda, etc.) + Conocimiento avanzado de GCP: conocimiento avanzado de servicios de ML y datos de GCP + Arquitectura en la nube: comprensión de arquitecturas de ML nativas de la nube + Infraestructura como código: experiencia con Terraform, CloudFormation o similares ### **Será un plus:** * Experiencia práctica con plataformas en la nube (se prefiere la pila de AWS, por ejemplo Amazon SageMaker, ECR, EMR, S3, AWS Lambda). * Experiencia práctica con modelos de aprendizaje profundo. * Experiencia con taxonomías u ontologías. * Experiencia práctica con canalizaciones de aprendizaje automático para orquestar flujos de trabajo complejos. * Experiencia práctica con Spark/Dask, Great Expectations. Podemos utilizar herramientas de inteligencia artificial (IA) para apoyar partes del proceso de contratación, como la revisión de solicitudes, el análisis de currículums o la evaluación de respuestas. Estas herramientas asisten a nuestro equipo de reclutamiento, pero no sustituyen el juicio humano. Las decisiones finales de contratación son tomadas exclusivamente por personas. Si desea más información sobre cómo se procesan sus datos, contáctenos.