Ingeniero de Machine Learning Sénior

• Entrenamiento y evaluación práctica de modelos tabulares, utilizando redes neuronales o árboles potenciados por gradiente. La experiencia con PyTorch, PyTorch Lightning, TensorFlow, XGBoost, CatBoost o scikit-learn podría ser relevante; no se requiere un framework específico.
• Experiencia en el diseño de características y etiquetas, elección de métricas para las decisiones que toma un modelo y evaluación de cuándo los resultados offline justifican un test A/B.
• Competencia en SQL y capacidad para escribir consultas eficientes para extraer, manipular y agregar datos de bases de datos relacionales.
• Un enfoque investigativo ante datos incompletos y requisitos a largo plazo que necesiten aclaración.
• Capacidad para explicar los resultados de los modelos a los socios de monetización y producto en términos de ingresos y resultados de los jugadores.
• La experiencia en ad tech, sistemas de recomendación o marketplaces online sería útil, al igual que la experiencia con APIs de producción o el despliegue de modelos de ML. La experiencia con el framework Ray también sería un plus. Ninguno de estos puntos es obligatorio para el puesto.
• Utiliza herramientas de desarrollo asistidas por IA, incluyendo asistentes de código y copilotos basados en LLM, para acelerar la implementación, depuración e iteración de sistemas de machine learning manteniendo estándares de calidad de producción.
• Revisa y valida de forma crítica el código generado por IA, las implementaciones de modelos y las configuraciones de infraestructura para asegurar su fiabilidad, corrección y mantenibilidad, y explora enfoques impulsados por IA para mejorar la productividad de los desarrolladores o la capacidad de la plataforma de ML.

• 25 días de vacaciones pagadas, además de los festivos oficiales, para descansar y renovarse durante el año

• Trabajo híbrido

• 20 días de teletrabajo: Trabaja desde cualquier parte del mundo, o utiliza ese tiempo para cubrir los días obligatorios de oficina trabajando desde casa, 20 días al año.

• Eventos y recompensas regulares de la empresa: Participa en eventos y recompensas regulares que celebran eventos culturales, nuestros logros y nuestro espíritu de equipo.

• Seguro médico privado: Ten tranquilidad con un seguro médico privado, asegurando que tu salud esté en buenas manos.

• Seguro de vida y de enfermedades graves: Protege tu futuro con nuestro seguro de vida y de enfermedades graves.

• Apoyo a la formación de familias: Recibe apoyo vital en tu proceso de formación familiar/fertilidad con nuestro programa de apoyo [sujeto a política]

• Programa de Asistencia al Empleado: Accede a apoyo confidencial en cualquier momento a través de nuestro Programa de Asistencia al Empleado.

• Compensación deportiva: Mantente en forma y activo con nuestro beneficio de compensación deportiva.

• Cheques de comida y transporte: Ahorra en comidas y transporte con nuestros prácticos vales.

• Clases de inglés y español: Mejora tus habilidades de inglés y español con nuestras clases de idiomas proporcionadas.

• Desarrollo profesional continuo: Impulsa tu carrera con oportunidades continuas de desarrollo profesional.

Únete a Tripledot Studios como Senior Machine Learning Engineer trabajando en casos de uso de precios dinámicos y sistemas de recomendación en nuestros juegos. El trabajo implica machine learning tabular, incluyendo redes neuronales y enfoques como árboles de decisión potenciados por gradiente (gradient-boosted decision trees). Te centrarás en comprender los datos, desarrollar características y mejorar los modelos, en lugar de centrarte principalmente en el despliegue en producción.

Trabajarás para alcanzar objetivos de ML definidos a corto plazo, colaborando con el equipo de monetización y los equipos de producto de los juegos para planificar tests A/B. A largo plazo, trabajarás con esos equipos para traducir los requisitos de producto y monetización en objetivos de ML.

Comenzarás aprendiendo el proyecto y sus objetivos de negocio. En los primeros tres meses, esperamos que contribuyas al pipeline de entrenamiento e investigues características y problemas de los modelos. Alrededor de los seis meses, el objetivo es que asumas un papel más proactivo en la definición de la dirección del modelo.

• Construir y mejorar pipelines de entrenamiento para modelos de precios dinámicos y sistemas de recomendación, desde el diseño de características y etiquetas hasta el entrenamiento, ajuste y evaluación offline de modelos tabulares como redes neuronales y árboles potenciados por gradiente.
• Monitorizar el rendimiento de los modelos una vez que estén activos en los juegos y productos. Investigar el drift de datos y de concepto, incluyendo cambios vinculados a nuevos títulos, versiones de cliente o comportamiento de los usuarios, y hacer que los modelos sean más fáciles de extender a otro producto.
• Diagnosticar resultados fallidos del modelo en todo el pipeline de entrenamiento, la lógica de negocio y los datos subyacentes, para luego trabajar en las mejoras necesarias para restaurar la calidad del modelo.
• Trabajar con colegas de monetización y producto para conectar las decisiones del modelo con los ingresos y los resultados de los jugadores, y ayudar a planificar los tests A/B que determinan qué se lanza.
• A medida que te adaptes, identificarás lagunas en la comprensión de los modelos por parte del equipo y propondrás mejoras en su dirección.