Machine learning Engineer

• Experiencia sólida como ML Engineer / MLOps Engineer.

• Experiencia industrializando y desplegando modelos de Machine Learning.

• Experiencia avanzada en GCP.

• Vertex AI / Vertex AI Pipelines.

• Airflow.

• Experiencia desarrollando Python productivo.

• Buenas prácticas de Software Engineering.

• Testing y control de versiones.

• Experiencia optimizando pipelines.

• Experiencia con grandes volúmenes de datos y optimización de almacenamiento.

• Control-M.

• Experiencia en monitorización de modelos en producción.

• Conocimientos de data drift / model monitoring.

• Experiencia real trabajando con modelos productivos.

• Capacidad para resolver incidencias en entornos de producción.

📍 Ubicación: España
🏢 Modalidad: Remoto
💼 Posición: ML Engineer
🧩 Experiencia: Senior
☁️ Entorno: Google Cloud Platform
🚀 Especialización: MLOps / Industrialización de modelos

Buscamos un/a ML Engineer para industrializar, desplegar y mantener en producción los modelos de Machine Learning desarrollados por los equipos de Data Science.

La persona se encargará de convertir los desarrollos analíticos en soluciones productivas, escalables, eficientes y monitorizadas, aplicando buenas prácticas de MLOps y Software Engineering.

• Industrializar modelos de Machine Learning para su despliegue en producción.

• Desplegar modelos como procesos batch o servicios sobre GCP.

• Trabajar con Vertex AI Pipelines y Airflow.

• Diseñar soluciones con alta disponibilidad y escalabilidad.

• Transformar código desarrollado por Data Scientists en código productivo, eficiente y mantenible.

• Aplicar buenas prácticas de ingeniería de software:

  • Testing.

  • Control de versiones.

  • Modularidad.

  • Calidad de código.

• Optimizar pipelines de Machine Learning.

• Optimizar procesos de almacenamiento y consulta de datos.

• Trabajar con técnicas como:

  • Particionamiento.

  • Vistas materializadas.

  • Deltas.

  • Optimización de almacenamiento.

• Construir y mantener workflows complejos y automatizados.

• Utilizar Airflow y Control-M para la planificación y ejecución de procesos.

• Implementar mecanismos de monitorización y alertas.

• Detectar data drift y degradación del rendimiento de los modelos.

• Optimizar el consumo de recursos en cloud.

• Mantener y dar soporte a modelos desplegados en producción.

• Atender directamente las incidencias 2N de los proyectos asignados.