Ingeniero MLOps

• Más de 4 años en roles de infraestructura de ML, plataforma de ML o MLOps, idealmente habiendo trabajado dentro de un equipo dedicado de MLOps o de plataforma.
• Sólidos fundamentos de ingeniería de software y de sistemas, con una trayectoria clara en ingeniería o Ciencias de la Computación.
• Experiencia demostrada en el despliegue de modelos como servicios en tiempo real y de baja latencia, con un conocimiento sólido de caché, concurrencia y rendimiento de aplicaciones (p95/p99).
• Experiencia práctica con Docker, Kubernetes, CI/CD y plataformas en la nube (por ejemplo, GCP, AWS, Azure).
• Experiencia con orquestación de flujos de trabajo (Airflow, Prefect, Kubeflow o similares) y con herramientas de seguimiento de experimentos / registro de modelos (MLflow, Weights & Biases).
• Sólidos conocimientos de Python y comodidad operando servicios de producción y su stack de observabilidad (por ejemplo, Prometheus, Grafana).

• Experiencia con Snowflake o almacenes de datos en la nube similares.
• Experiencia en el soporte de aplicaciones GenAI/LLM en producción (despliegue, infraestructura de evaluación, bases de datos vectoriales).
• Experiencia en el diseño de infraestructuras orientadas a AIOps.
• Interés por el lado del ML/modelado, lo suficiente como para colaborar estrechamente con los ML Engineers (no es necesario ser investigador).

Ofrecemos un paquete integral de retribución y beneficios diseñado para mantenernos competitivos en el mercado, apoyar tu bienestar y reconocer tu contribución a nuestro éxito. Nuestro enfoque se basa en la creencia de que la remuneración debe basarse en el rendimiento para recompensar el impacto individual. Tu paquete de compensación específico se determinará en función de factores como tus habilidades, experiencia, cualificaciones y ubicación.

Dependiendo de tu puesto y ubicación, podrías ser elegible para bonos e incentivos anuales, beneficios de salud y bienestar, tiempo libre remunerado, planes de jubilación, cobertura de seguros y otros beneficios locales o legales.

Los detalles específicos sobre la compensación y los beneficios para este puesto se discutirán durante el proceso de selección.

En Aristocrat, estamos haciendo avanzar la tecnología de juegos con soluciones modernas y potentes. Nuestra misión es aportar felicidad a la vida a través del juego. Valoramos la colaboración, la creatividad y una fuerte pasión por la excelencia. Estos puestos apoyan principalmente el área de Machine Learning de nuestra línea de negocio Product Madness, una empresa tecnológica especializada en juegos móviles de social casino. Buscamos un MLOps Engineer para unirse a nuestro equipo de MLOps y construir y gestionar la plataforma que lleve nuestros sistemas de machine learning e IA a producción de forma fiable. Te centrarás en el despliegue de modelos como servicios de alto rendimiento en tiempo real, en el CI/CD y la infraestructura que los rodea, y en las herramientas que permitan a nuestros ML Engineers y Data Scientists lanzar, rastrear y monitorizar modelos con confianza. Marcarás una verdadera diferencia en nuestros productos y en la experiencia de los jugadores.

• Desplegar modelos de machine learning como APIs fiables en tiempo real, con un fuerte enfoque en la latencia, el rendimiento (throughput), el almacenamiento en caché y la escalabilidad.
• Diseñar y gestionar la infraestructura de despliegue y servicio: contenedores, orquestación (Kubernetes) y frameworks de servicio (por ejemplo, KServe, Triton, BentoML) cuando sea apropiado.
• Construir y mantener pipelines de CI/CD para modelos, y orquestar flujos de trabajo de entrenamiento y reentrenamiento (por ejemplo, Airflow).
• Gestionar la parte de la plataforma del seguimiento de experimentos y el registro de modelos (model registry): versionado, linaje, promoción y gobernanza, para que los lanzamientos de modelos sean controlados y reproducibles.
• Construir la infraestructura de monitorización y observabilidad que los ML Engineers utilizan para rastrear la salud del modelo y del sistema (métricas, registro de logs, trazabilidad, alertas).
• Garantizar la reproducibilidad en todos los entornos y pipelines, y reforzar los sistemas para asegurar la fiabilidad (reintentos, tiempos de espera, degradación controlada, rollback).
• Colaborar con ML Engineers y Data Scientists para facilitar el camino desde el prototipo hasta la producción, y con el equipo de ingeniería en cuestiones de diseño de sistemas más profundas.

Expectativas de viaje: Viajes mínimos requeridos (hasta un 5%)

Rol híbrido con 3 días en la oficina a la semana.