Senior Machine Learning Scientist

• Más de 5 años de experiencia en ML aplicado lanzando modelos a producción. Es un plus si parte de ello fue en marketplaces, búsqueda o recomendaciones

• Historial de llevar un problema desde una "petición vaga de PM" hasta una "función lanzada que movió una métrica"

• Comodidad con el ciclo de vida completo: definición, datos, modelado, evaluación, despliegue y monitorización

• Dominio de Python y SQL. Escribes código de producción, no solo notebooks

• Sólidos conocimientos en al menos un área de ML: sistemas de ranking y recomendación, NLP y embeddings, ML clásico, LLMs y agentes, o inferencia causal

• Comodidad con las herramientas modernas de LLM: prompting, RAG, evaluación, uso de herramientas, salidas estructuradas

• Estadística práctica: diseño de experimentos, gestión de variables de confusión, saber cuándo un test A/B está fallando

• Prioridad al producto. Te importa más el impacto en el usuario que la novedad

• Utilizas herramientas de IA a diario. Claude Code, Cursor, lo que sea que permita lanzar más rápido

• Documentas tus procesos. Memos, resultados de experimentos, documentos de diseño

• Te sientes cómodo siendo la segunda persona dedicada a ML en la empresa y elevando el nivel

• Te importa la calidad y el seguimiento. No lanzas algo para olvidarte de ello

• La familiaridad con nuestro stack es un punto a favor: FastAPI, PostgreSQL, BigQuery, FAISS, sentence-transformers, AWS, Amplitude

• Es habitual contar con un título avanzado en ML, Ciencias de la Computación, estadística o un campo relacionado. Un doctorado o experiencia en investigación es un gran plus

• Responsabilidad (Ownership): Definirás el próximo capítulo de ML en Sweatpals, no mantendrás los modelos de otra persona

• Cultura nativa de IA: Usamos Claude Code a diario, lanzamos rápido y consideramos las herramientas de IA como algo esencial

• Flexibilidad: Prioridad al trabajo remoto, compatible con comunicación asíncrona, zona horaria de la UE

• Compensación: Salario competitivo más capital (equity) de etapa temprana

Sweatpals es la plataforma de fitness centrada en la comunidad que convierte los entrenamientos en experiencias sociales. Respaldados por a16z speedrun, Patron, Kevin Hart, Pear VC y los fundadores de Instacart y Dreamworks Animations, conectamos a cientos de miles de "pals", anfitriones y gimnasios a través de eventos, membresías y funciones sociales. Seguimos siendo una empresa con espíritu emprendedor, pero escalando rápido.

Creemos que hacer ejercicio debería ser algo alegre, social e inclusivo, no solo un esfuerzo solitario. Desde clubes de running y pilates en la playa hasta ligas de pickleball y eventos sociales de inmersión en frío, Sweatpals convierte los entrenamientos cotidianos en experiencias sociales significativas.

Sweatpals también ofrece a los líderes locales las herramientas para hacer crecer sus comunidades de fitness, pasando de ser un proyecto secundario a negocios de tiempo completo, incluso de millones de dólares. Los anfitriones utilizan nuestra plataforma para gestionar su negocio, desde la venta de entradas y membresías hasta herramientas de marketing.

Somos una empresa orientada a la IA. Si te entusiasma trabajar en la intersección de ML, producto y un marketplace real, encajarás perfectamente.

Buscamos un Senior Machine Learning Scientist para unirse al AI Squad y liderar el trabajo de ML más ambicioso de nuestra hoja de ruta. Reportarás al Head of AI y colaborarás estrechamente con ingeniería y producto para lanzar modelos que impulsen nuestro marketplace.

Este es un rol de alta responsabilidad. Definirás problemas, ejecutarás la ciencia, lanzarás a producción y medirás el impacto real en el usuario. No heredarás un cementerio de notebooks a medio terminar. Construirás la siguiente capa de ML en Sweatpals sobre lo que ya hemos lanzado: búsqueda semántica, etiquetado de eventos, clasificación de colecciones, modelos de retención y nuestro HostCopilot y Front Desk Agent impulsados por LLM.

Dedicarás tu tiempo a problemas como:

• ¿Cómo clasificamos los eventos para cada Pal de modo que descubran más anfitriones que les encanten?

• ¿Podemos predecir la fuga de usuarios (churn) con suficiente antelación para que HostCopilot actúe antes de que ocurra?

• ¿Cuál es la forma correcta de poner precio a una clase o membresía para maximizar el GMV del anfitrión sin perjudicar las reservas?

• ¿Cómo hacemos que los LLM sean lo suficientemente fiables para redactar campañas de anfitriones, recomendar eventos y responder preguntas en una recepción real?

• ¿Cómo medimos si nuestros modelos realmente mueven el marketplace, y no solo el CTR?

• Enmarcar problemas de producto difusos como problemas de ML y elegir el enfoque adecuado: ranking, recuperación, clasificación, modelos de secuencia, agentes LLM o estadística clásica

• Ejecutar de principio a fin: exploración de datos, evaluación offline, prototipo, experimento online e iteración

• Impulsar la vanguardia cuando sea necesario y mantener el pragmatismo cuando no lo sea

• Gestionar las métricas offline (NDCG, recall@k, AUC, calibración) y vincularlas con las métricas online (incremento de reservas, retención, GMV)

• Lanzar modelos a producción con nuestro equipo de ingeniería. Nuestro stack de ML es FastAPI, PostgreSQL, BigQuery, AWS App Runner, con recuperación mediante FAISS y sentence-transformers, y APIs de LLM gestionadas (Claude, Gemini)

• Construir sistemas de evaluación y monitorización para saber cuándo los modelos sufren deriva (drift)

• Mantener la disciplina con los presupuestos de latencia

• Desarrollar funciones impulsadas por LLM en todo HostCopilot (campañas de goteo, avisos de retención, sugerencias de precios y contenido) y superficies orientadas al Pal (AI Concierge, búsqueda semántica, recomendaciones)

• Construir sistemas agénticos con uso de herramientas, RAG, salidas estructuradas, bucles de evaluación y supervisión humana (human-in-the-loop) donde sea necesario

• Decidir cuándo aplicar ingeniería de prompts, cuándo realizar un fine-tuning y cuándo un modelo clásico es la mejor respuesta

• Colaborar con producto para dimensionar oportunidades y traducir los hallazgos en decisiones de la hoja de ruta

• Colaborar con el equipo de growth y nuestro analista de datos para medir el impacto en el marketplace de forma rigurosa

• Establecer el estándar de rigor de ML para el squad: evaluación offline, diseño de experimentos y redacción de informes