MLOps Team Lead

• Grado o Máster en Ciencias de la Computación, Ingeniería o un campo relacionado (o experiencia práctica equivalente)

• Más de 7 años de experiencia en MLOps, con más de 5 años en un rol de liderazgo técnico

• Sólidas habilidades de ingeniería de software en Python, con experiencia en Bash y/o Go

• Trayectoria demostrada en la creación y el liderazgo de equipos de MLOps o de infraestructura de alto rendimiento

• Experiencia construyendo y diseñando infraestructura de MLOps desde cero

• Experiencia profunda con plataformas de MLOps (MLflow, WandB, etc.) y frameworks (PyTorch, TensorFlow, etc.)

• Experiencia profunda con frameworks de servicio de modelos (Triton, TorchServe, TensorFlow Serving, KServe) para inferencia de alta escalabilidad y baja latencia

• Experiencia construyendo y gestionando pipelines de datos para dar soporte tanto al entrenamiento como a la inferencia de modelos

• Buena experiencia con Kubernetes en un proveedor de nube principal (AWS, GCP o Azure) y con infraestructura como código (Terraform, Helm, GitOps)

• Competencia con herramientas de observabilidad y monitorización (Prometheus, Grafana, Datadog, OpenTelemetry)

• Excelentes habilidades de comunicación con capacidad para traducir entre contextos de investigación y de producción

• Experiencia con herramientas de orquestación de flujos de trabajo (Kubeflow, Airflow, Argo Workflows)

• Experiencia con FastAPI y aplicaciones backend

• Familiaridad con plataformas de datos como Databricks o Snowflake

• Experiencia con el servicio y la optimización de LLM/modelos fundacionales

• Conocimientos de prácticas SRE o certificaciones de seguridad en la nube

• Experiencia escalando infraestructura de ML para startups de IA

• Compensación competitiva con salario y acciones (equity)

• Cobertura sanitaria integral para ti y tus dependientes

• Permiso parental retribuido para todos los nuevos padres, incluyendo procesos de adopción y gestación subrogada

• Apoyo para la reubicación de empleados que se trasladen para unirse al equipo en una de nuestras oficinas

• Una cultura con propósito y de bajo ego que valora la diversidad de pensamiento, la responsabilidad (ownership) y la orientación a la acción

Fundamental es un laboratorio de investigación de IA que lidera el futuro de la toma de decisiones empresariales. Nuestro modelo insignia, NEXUS, es el Large Tabular Model (LTM) más potente del mundo, diseñado específicamente para los registros estructurados que contienen billones de dólares en valor empresarial. Con 275 millones de dólares en financiación de inversores líderes y la confianza de empresas Fortune 100, Fundamental está otorgando a las empresas el "Power to Predict".

En Fundamental, trabajarás en desafíos técnicos sin precedentes en el desarrollo de modelos fundacionales y construirás tecnología que transforme la forma en que las empresas más grandes del mundo toman decisiones. Esta es tu oportunidad de formar parte de una empresa que define una categoría desde sus inicios. Únete al equipo que está definiendo el futuro de la IA empresarial.

• Liderar y mentorizar a un equipo de ingenieros de MLOps, fomentando el crecimiento técnico y una cultura de excelencia operativa

• Definir e impulsar la hoja de ruta de MLOps, alineando las capacidades de infraestructura con los objetivos de Research, Engineering y producto

• Establecer mejores prácticas, estándares y procesos para la infraestructura, el despliegue y las operaciones de ML

• Asumir la responsabilidad de la toma de decisiones técnicas para la arquitectura de la infraestructura de ML y la elección de herramientas

• Arquitectar y supervisar pipelines de aprendizaje automático escalables y automatizados, flujos de trabajo de CI/CD y marcos de orquestación

• Colaborar con el equipo de servicio de modelos en la estrategia de infraestructura de servicio (Triton, TorchServe, TensorFlow Serving, KServe), asegurando que las decisiones del lado del entrenamiento (formatos de checkpoint, pipelines de exportación, huella de recursos) no creen fricciones en las etapas posteriores

• Colaborar en la estrategia de arquitectura de inferencia, aportando el contexto del lado del entrenamiento sobre el tamaño del modelo, las compensaciones entre latencia/rendimiento y los requisitos de hardware en las decisiones de investigación iniciales

• Diseñar y mantener feature stores, pipelines de datos robustos y soluciones de almacenamiento escalables para gestionar eficientemente grandes volúmenes de datos

• Colaborar con los equipos de investigación para cerrar la brecha entre la experimentación y la producción

• Definir la estrategia de registro (logging), alertas y monitorización para realizar el seguimiento del rendimiento del modelo, el drift y la fiabilidad del sistema