Principal Lead Data Scientist / Applied AI

Excited to grow your career?

BBVA is a global company with more than 160 years of history that operates in more than 25 countries where we serve more than 80 million customers. We are more than 121,000 professionals working in multidisciplinary teams with profiles as diverse as financiers, legal experts, data scientists, developers, engineers and designers.

Learn more about the area

AI Innovation, dentro de AI Transformation, tiene la responsabilidad de conocer y explorar tanto nuevas tecnologías como nuevos modelos y soluciones de Inteligencia Artificial que puedan tener impacto y adopción por parte de BBVA.

Desde la creación de los Robots y la definición de The Frame como framework y habilitador clave para la escalabilidad de la IA, se requiere un esfuerzo grande tanto de investigación, como innovación como de supervisión estratégica y de "advisory" dentro de la organización.

Dentro de AI Innovation, el AI Lab, explora, evalúa y desarrolla soluciones avanzadas basadas en modelos fundacionales, Large Language Models (LLMs) y sistemas agénticos para casos de uso estratégicos del banco. El equipo trabaja en todo el ciclo de vida: desde la evaluación experimental de modelos hasta la construcción de prototipos y su integración en entornos productivos.

About the job

Misión del puesto

Buscamos una persona para el puesto de Principal Data Scientist / Applied AI, con más de 15 años de experiencia en Machine Learning, GenAI y en el desarrollo de proyectos y soluciones que combinen datos y modelos analíticos y de ML. Se combinará la experimentación analítica avanzada con el desarrollo de soluciones basadas en LLMs y arquitecturas agénticas, desde la definición del caso de uso hasta su puesta en producción.

Se requiere habilidades de gestión de equipos para extender la colaboración existente con otras áreas de negocio como Commercial Banking, CIB, Finance. También se valorará experiencia internacional y liderazgo multi-país para ampliar las líneas de trabajo de otros países como México y Turquía.

Responsabilidades principales

Evaluación y experimentación con GenAI

• Se requiere experiencia demostrada en innovación
• Seleccionar y evaluar comparativamente modelos fundacionales para distintos casos de uso, incluidas aplicaciones de lenguaje, voz y soluciones multimodales.
• Diseñar y ejecutar planes de evaluación, definiendo métricas técnicas y de negocio y comparando modelos en distintos escenarios.
• Construir de forma iterativa datasets de entrenamiento, validación y evaluación.
• Adaptar modelos generativos y discriminativos mediante fine-tuning u otras técnicas equivalentes.
• Definir metodologías de experimentación controlada, como pruebas A/B, y validar KPIs analíticos asociados a soluciones basadas en LLM.

Desarrollo de soluciones basadas en LLMs y sistemas agénticos:

• Diseñar y desarrollar soluciones analíticas basadas en LLMs, incluidas arquitecturas que combinen varios modelos.
• Diseñar y desarrollar sistemas agénticos en los que los modelos interactúen con herramientas, APIs, fuentes de conocimiento externas y modelos de ML.
• Desarrollar flujos de razonamiento y orquestación de modelos, con planificación de tareas, uso de herramientas y composición de varios pasos de inferencia.
• Construir bases de conocimiento y datasets de dominio para alimentar modelos generativos.
• Crear sistemas donde los LLMs funcionen como interfaces inteligentes para interactuar con sistemas y datos corporativos.
• Desarrollar pipelines de inferencia y servicios backend; integrar modelos con sistemas y operativas del banco, incluidas APIs y sistemas corporativos.
• Participar en ciclos iterativos de experimentación, desde el prototipo hasta la solución productiva.

Investigación aplicada y transferencia de conocimiento

• Explorar de forma continua avances en LLMs, modelos fundacionales, técnicas avanzadas de NLP y arquitecturas agénticas.
• Evaluar tecnologías y frameworks relevantes para soluciones de IA generativa.
• Comunicar conceptos técnicos a audiencias internas con distintos niveles de especialización.

Requisitos técnicos

Machine Learning Engineering

• Experiencia en el ciclo de vida completo de proyectos de ML y NLP: exploración de datos (EDA), construcción de datasets, selección y entrenamiento de modelos, evaluación y monitorización.
• Experiencia desarrollando soluciones analíticas productivas, pipelines de ML y servicios de inferencia.
• Experiencia en MLOps: automatización de pipelines, integración y despliegue continuo, observabilidad y monitorización de modelos.

Infraestructura, cloud y herramientas

• Experiencia trabajando en entornos cloud, especialmente AWS y GCP, y desplegando e integrando soluciones de ML en cloud.
• Conocimiento de infraestructura como código (IaC), por ejemplo CloudFormation.
• Experiencia con Git y prácticas CI/CD para integración y despliegue de software.
• Programación en Python; se valorará experiencia con TypeScript o Node.js.
• Experiencia con frameworks de orquestación de LLMs y agentes, como LangGraph, Agents SDK, AWS Strands u otros equivalentes.
• Experiencia utilizando agentes de programación como Codex, Claude Code, Cursor, GitHub Copilot o herramientas similares.

Riesgos de los modelos generativos

• Comprensión de riesgos asociados a los modelos generativos, incluidos la alucinación de hechos, los sesgos, la impredecibilidad y las omisiones en la generación.

Experiencia valorable

• Experiencia con otros entornos cloud, como GCP / Vertex AI.
• Experiencia en entornos on-premise.
• Experiencia en el sector bancario en plantilla o mediante consultoría.

Competencias personales

• Espíritu de equipo y capacidad para trabajar de forma colaborativa.
• Capacidad para explicar conceptos técnicos a perfiles no técnicos.
• Mentalidad analítica y orientación a la experimentación.Flexibilidad y adaptación a entornos tecnológicos en evolución.

Skills

English Language, Machine Learning (ML), Object-Oriented Programming (OOP), Tensorflow