Ingeniero de Software: NLP/ML Aplicado y Sistemas de Datos

• Sólido dominio de Python en producción.
• Conjuntos de datos en pandas y Parquet/Arrow, además de un motor analítico, por ejemplo, DuckDB, o un almacén de datos como Snowflake.
• Pipelines por lotes (batch) orquestados que hayas operado, no solo escrito: Dagster o Airflow, flujos de datos basados en S3, y el hábito de probar la corrección de los resultados en lugar de solo buscar excepciones.
• ML aplicado en producción: embeddings y similitud semántica, clustering, u operacionalización de modelos (no necesariamente entrenamiento desde cero).
• Fluidez en AWS y disciplina en CI/CD.

• Ingeniería práctica de LLM: prompting, inferencia por lotes y compensación entre coste y rendimiento entre distintos proveedores.
• SageMaker, Bedrock o herramientas de ML gestionadas comparables.
• Conocimiento del dominio financiero y de renta variable: taxonomías de clasificación, modelos de factores, construcción de índices. Valioso pero aprendible.
• Infraestructura como código (AWS CDK o Terraform) y Docker.

• Salario competitivo más opciones sobre acciones (share options)
• 25 días de vacaciones laborables, más festivos nacionales en España
• Trabajo híbrido desde Barcelona

Theia Insights desarrolla productos de inteligencia financiera fundamentales, incluyendo clasificación de sectores, grafos de conocimiento y modelos de riesgo de factores, para inversores institucionales. Prestamos servicios a algunos de los mayores gestores de activos, hedge funds, proveedores de índices y bancos de venta (sell-side).

Como ingeniero en el equipo de Data Products, serás el responsable de los pipelines que ingieren datos de NLP y datos financieros de renta variable pública de todo el mundo para producir la Theia Insights Industry Classification (TIIC) y los conjuntos de datos que sustentan nuestros Thematic Factor Risk Models (TFM).

El equipo de Data Products es el propietario de los datos que sustentan todo lo que vendemos. Es un grupo pequeño y senior que valora la corrección y la reproducibilidad por encima del volumen, y trabaja estrechamente con los responsables de producto que definen la metodología. Valoramos la durabilidad y el buen juicio por encima de la familiaridad con las herramientas más llamativas.

• Construir y mantener pipelines que clasifiquen la renta variable pública global a través de nuestra taxonomía de cinco niveles (sector, industria, subindustria, tema principal y microtema), extrayendo información de informes y contenido web, y asignando exposiciones temáticas basadas en esta información.
• Ejecutar inferencia de NLP y LLM a gran escala (extracción de entidades, clasificación, construcción de grafos de conocimiento) sobre documentos de empresas, con una ejecución por lotes (batch) consciente del coste y del rendimiento (throughput).
• Ingerir datos de mercado y publicar conjuntos de datos a distribuidores externos.
• Gestionar la evolución de esquemas y contratos para conjuntos de datos con consumidores reales en las etapas posteriores (downstream).
• Trabajar con economistas e ingenieros para convertir las decisiones de modelado en datos de producción fiables.

Nos importa más de qué te has hecho responsable que los años en un CV. Si has construido un pipeline que se ejecuta de forma programada con un volumen real, y eras la persona a la que llamaban cuando fallaba, encajas. Los candidatos más senior normalmente habrán realizado los ajustes entre coste y rendimiento, y habrán establecido el estándar de cómo un equipo comprueba la calidad de los datos.