Ingeniero de ML | Previsión y Optimización Matemática

• Participación en un proyecto estratégico para el sector bancario.

• Incorporación a un entorno tecnológico con retos reales de Machine Learning y optimización.

• Trabajo con tecnologías como Python, Machine Learning, Databricks, PySpark y MLflow.

• Desarrollo profesional en proyectos de Data Science e Inteligencia Artificial.

¿Te interesa trabajar en proyectos donde los modelos predictivos y la optimización matemática tienen un impacto directo en la toma de decisiones?

¡Queremos conocerte!

¡En Tecdata Engineering buscamos un/a ML Engineer | Forecasting & Mathematical Optimization!

En Tecdata Engineering buscamos un/a Machine Learning Engineer para participar en un proyecto estratégico del sector bancario, colaborando en el desarrollo, análisis y mejora de modelos de Machine Learning orientados a la previsión de demanda, análisis de series temporales y optimización matemática.

Buscamos un perfil con una sólida base analítica y experiencia práctica en Machine Learning tradicional, especialmente en entrenamiento, validación y optimización de modelos predictivos. Participarás en un caso de uso de gestión de efectivo para una entidad bancaria de primer nivel como Santander.

La parte de productivización y MLOps también estará presente, aunque el foco principal estará en el conocimiento de modelos predictivos, series temporales y técnicas de optimización.

• Diseñar, entrenar, validar y optimizar modelos de Machine Learning supervisado.

• Desarrollar y analizar modelos de forecasting para la previsión de demanda mediante técnicas de análisis de series temporales.

• Evaluar el comportamiento de los modelos, analizar métricas de rendimiento y proponer mejoras en su precisión y estabilidad.

• Aplicar técnicas de optimización matemática, programación matemática y heurísticas para resolver problemas de negocio y apoyar la toma de decisiones operativas.

• Combinar modelos predictivos con modelos de optimización para mejorar la planificación y asignación de recursos.

• Analizar y mejorar modelos existentes, evaluando diferentes algoritmos, variables y estrategias de entrenamiento.

• Participar en la adaptación y productivización de modelos en entornos corporativos.

• Colaborar en la implementación de pipelines de entrenamiento e inferencia utilizando Python, PySpark y Databricks.

• Trabajar con herramientas de seguimiento, versionado y gestión de modelos como MLflow.

• Aplicar buenas prácticas de desarrollo, testing, trazabilidad y monitorización.

• Colaborar con equipos de Data Science, Data Engineering, Plataforma y Negocio.