Arquitecto de Operaciones de Aprendizaje Automático

• Grado o Máster en Informática, Matemáticas, Física, Ingeniería Eléctrica o un campo relacionado.
• Al menos 4-5 años de experiencia práctica en ingeniería de ML Ops (preferiblemente en la industria medtech): versionado de modelos/registros (MLFlow o equivalente), CI/CD para ML, despliegue en contenedores (Kubernetes) y orquestación de flujos de trabajo (por ejemplo, Argo o equivalente).
• Sólida experiencia en arquitectura dentro de un entorno industrial (solo la experiencia académica o de prácticas no será considerada).
• Experiencia demostrada en el lanzamiento de ML en un entorno regulado o de seguridad crítica (medtech - prioridad, automoción, aeroespacial), ha diseñado sistemas para automatizar procesos de control de diseño (por ejemplo, IEC 62304, ISO 13485, DO-178C, ISO 26262) y los ha utilizado desde dentro.
• Sólidas habilidades de infraestructura como código (infrastructure-as-code) y capacidad para apoyar directamente a los científicos de datos para llevar a producción código de investigación escrito en Python.
• Fluidez en inglés requerida (el inglés es el idioma de la empresa).
• Experiencia directa con sistemas de aprendizaje continuo/adaptativo bajo un marco de control de cambios o similar a PCCP, entregando modelos evolutivos personalizados en contraste con la validación de un único modelo para lanzamientos de uso universal.
• Capacidad para trabajar en la intersección de los equipos de ingeniería y los equipos regulatorios/clínicos, traduciendo los requisitos de control de diseño en una implementación técnica concreta.
• Pragmático en cuanto al alcance y la secuenciación — capaz de priorizar el trabajo de gobernanza y cumplimiento.
• Sólidas habilidades de documentación escrita, dado el gran énfasis del rol en la producción de registros de validación y control de cambios auditables.

• Experiencia con la guía del Plan de Control de Cambios Predeterminado (PCCP) de la FDA o marcos regulatorios de SaMD adaptativo equivalentes (por ejemplo, a través de una empresa de IA de imagen/diagnóstico que haya presentado uno).
• Experiencia en neuroestimulación adaptativa, estimulación cerebral profunda de bucle cerrado o gestión de la diabetes de bucle cerrado con bombas de insulina.
• Familiaridad con los estándares de datos clínicos (FHIR, SNOMED CT, NWB/BIDS) y los marcos de evidencia ISO 14155/MDR/ICH E9.

• Salario competitivo (según tu experiencia/habilidades) 
• Esquema de compensación flexible interno
• Seguro médico privado 
• Bono de formación para el desarrollo profesional y acceso a la plataforma Udemy
• 23 días de vacaciones al año
• Semana libre en Navidad

Somos científicos, médicos, tecnólogos y amantes de la humanidad, con la misión de ser pioneros en neurología de precisión en tiempo real para curar trastornos cerebrales. INBRAIN aprovecha las extraordinarias propiedades materiales del grafeno, el material más fino del mundo y ganador del Premio Nobel, para construir sistemas neuronales de alta resolución. Nuestra misión es decodificar y modular las redes neuronales para restaurar la vida de las personas.

Como Machine Learning Operations Architect, diseñarás y serás responsable de la gobernanza del ciclo de vida de los modelos y de la infraestructura de despliegue. El rol tiende un puente entre la ingeniería de MLOps y la práctica de control de diseño de dispositivos médicos: define cómo se versionan, validan y promocionan los modelos, y construye el marco de control de cambios (alineado con un enfoque de tipo PCCP) que rige cómo los modelos adaptativos de aprendizaje continuo pueden actualizarse de forma segura tras su despliegue. 

Estarás a la vanguardia de la comercialización de soluciones sanitarias avanzadas, marcando una diferencia tangible en la vida de las personas en todo el mundo.

• Diseñar y construir el sistema de versionado de modelos, linaje y evidencia de validación que vincule cada modelo entrenado con sus datos de entrenamiento, el origen de la fuente de datos, la gestión de riesgos y la evidencia clínica.
• Redactar y mantener un marco de tipo Plan de Control de Cambios Predeterminado (PCCP) que defina los tipos de modificaciones permitidas, sus límites y los protocolos de revalidación automatizados para modelos adaptativos, en colaboración con las partes interesadas clínicas, regulatorias, de producto y de software.
• Diseñar y configurar el pipeline de CI/CD para el entrenamiento, validación y promoción de modelos, que se ejecute en la infraestructura proporcionada por el equipo de Software, con puertas de promoción en los niveles de Desarrollo, Pruebas, Aceptación y Producción (DTAP).
• Construir el monitoreo de deriva (drift) y rendimiento de los modelos y definir los activadores para el reentrenamiento programado frente al activado por deriva como parte de la actividad de vigilancia poscomercialización.
• Desplegar y mantener el versionado de procesos y servicios y su trazabilidad frente a los procesos de control de diseño.

• Modalidad de trabajo híbrida