Ingeniero de Machine Learning

• De 5 a 8 años de experiencia en ingeniería de ML, MLOps o infraestructura backend con sistemas de ML en producción.
• Sólidos fundamentos de ingeniería de software; comodidad asumiendo la responsabilidad de servicios de extremo a extremo.
• Experiencia con frameworks de servicio de modelos (Seldon, KServe, BentoML, TorchServe o similares) y herramientas de orquestación (Airflow, Kubeflow, MLflow o similares).
• Experiencia práctica con sistemas de streaming (Kafka, Kinesis, Flink o similares).
• Familiaridad con la contenerización y la orquestación (Docker, Kubernetes).
• Experiencia con herramientas de observabilidad (métricas, trazado, registro) para ML o sistemas distribuidos.
• Excelentes habilidades de comunicación y comodidad trabajando de forma transversal con equipos de data science, plataforma y producto.
• Inglés fluido.
• Residir en Europa.

• Conocimientos de frameworks de LLM y agentes, así como de prácticas de evaluación.
• Experiencia en un dominio regulado o de alto rendimiento (fintech, pagos, salud).
• Contribuciones a proyectos de código abierto de MLOps o herramientas agénticas.
• Experiencia con plataformas de ML en la nube (SageMaker, Vertex AI, Databricks).

• Compensación Competitiva
• Trabajo remoto: puedes trabajar desde cualquier lugar
• Bonus de Home Office: una ayuda única para configurar tu oficina en casa ideal
• Equipo de Trabajo
• Stock Options
• Plan de salud dondequiera que estés
• Días Libres Flexibles
• Cursos de idiomas, profesionales y de crecimiento personal

Buscamos un Machine Learning Engineer (nivel medio, de 5 a 8 años de experiencia) con base en Europa para construir y escalar la infraestructura que lleva los modelos de machine learning desde el notebook a producción. Serás el responsable de los cimientos de MLOps, automatizarás el ciclo de vida de los modelos, integrarás pipelines de datos en streaming y aportarás capacidades agénticas a nuestros sistemas de ML. Este es un rol práctico (hands-on) para alguien a quien le importen tanto la fiabilidad y la observabilidad como el rendimiento del modelo. Te unirás al equipo de Data, AI y ML y trabajarás estrechamente con los equipos de data science, plataforma y producto.

• Framework de MLOps: diseñar, construir y mantener la plataforma de MLOps (seguimiento de experimentos, registro de modelos, versionado y pipelines de entrenamiento reproducibles); establecer prácticas de CI/CD para ML con pruebas automatizadas, puertas de validación y flujos de trabajo de promoción de dev a producción; definir estándares y herramientas para feature stores, artefactos de modelos y reproducibilidad de entornos entre equipos.
• Producción de ML: llevar los modelos desde la fase de investigación o prototipo a servicios de producción robustos y escalables; construir infraestructura de servicio de baja latencia y alta disponibilidad (inferencia por lotes, online y en tiempo real); implementar monitorización del rendimiento del modelo, data drift y concept drift, con alertas claras y rutas de rollback; colaborar con los equipos de data science para adaptar los modelos a las restricciones de producción (latencia, coste, escala).
• Automatización de modelos de ML: automatizar los pipelines de reentrenamiento, evaluación y despliegue para reducir la intervención manual; construir mecanismos de autorreparación y rollback automático activados por umbrales de rendimiento o drift; crear herramientas que permitan a los profesionales de ML desplegar modelos sin necesidad de una profunda experiencia en infraestructura.
• Integración de streaming: integrar modelos de ML con plataformas de datos en streaming (Kafka, Kinesis, Flink) para el cálculo de características e inferencia en tiempo real; diseñar pipelines de características de baja latencia que conecten fuentes de datos batch y streaming; garantizar la consistencia entre el cálculo de características offline (entrenamiento) y online (servicio).
• Integración agéntica para ML: diseñar e integrar flujos de trabajo agénticos (agentes basados en LLM, pipelines de llamada a herramientas) junto con modelos de ML tradicionales; construir los marcos de observabilidad, guardrails y evaluación necesarios para ejecutar sistemas agénticos de forma fiable en producción; explorar cómo los agentes pueden automatizar partes del propio ciclo de vida de ML (monitorización, triaje, decisiones de reentrenamiento).