Buscamos un MLOPS Skills Necesarios: Google Cloud Platform (GCP): Experiencia sólida y demostrable con Vertex AI (Pipelines, Model Registry, Workbench y despliegue de modelos) y Big Query (optimización de consultas a gran escala, procesamiento distribuido y conectores externos). Ingeniería de Software / Python: Nivel avanzado en Python enfocado al desarrollo de código modular, desacoplado, testeable y preparado para ejecuciones concurrentes. Experiencia aplicando buenas prácticas de ingeniería (Git, testing automatizado, code reviews y gestión de dependencias). Machine Learning para grandes volúmenes de datos: Experiencia desarrollando modelos predictivos con algoritmos como Light GBM, XGBoost, Cat Boost o similares, trabajando con datasets de millones de registros y optimizando tiempos de entrenamiento e inferencia. Industrialización de modelos (MLOps): Experiencia llevando modelos desde entornos de experimentación (Notebooks/Workbench) hasta producción mediante pipelines automatizados, versionado de modelos, despliegues reproducibles y monitorización. Dev Ops aplicado a Machine Learning: Experiencia con Docker, CI/CD (Git Hub Actions, Git Lab CI o similares), automatización de despliegues y gestión de entornos para soluciones de Machine Learning.



Data Engineering para Machine Learning: Experiencia construyendo pipelines de datos eficientes para entrenamiento e inferencia, optimización de procesos ETL/ELT y gestión de grandes volúmenes de datos.
- Skills Deseables: Forecasting / Series Temporales: Experiencia en proyectos de previsión de demanda con alta cardinalidad, tratamiento de estacionalidades complejas, promociones, eventos y estrategias de cold-start para nuevos productos o entidades. Deep Learning para Forecasting: Conocimiento de arquitecturas modernas para series temporales como Temporal Fusion Transformer (TFT), Ti DE, Patch TST, Times FM, Chronos o modelos basados en Transformers. IA Generativa (Gen AI / LLMOps): Experiencia en el desarrollo o despliegue de soluciones basadas en modelos fundacionales (LLMs), incluyendo RAG, agentes, evaluación de modelos, prompt engineering, observabilidad y gestión del ciclo de vida de aplicaciones de IA Generativa. Optimización y rendimiento de modelos: Experiencia en técnicas de optimización de hiperparámetros (Optuna, Ray Tune o similares), paralelización de entrenamiento, optimización de inferencia y reducción de costes computacionales. #J-18808-Ljbffr

📌 Mlops (Madrid)
🏢 TECDATA ENGINEERING
📍 Madrid