Buscamos un MLOPSSkills Necesarios:Google Cloud Platform (GCP): Experiencia sólida y demostrable con Vertex AI (Pipelines, Model Registry, Workbench y despliegue de modelos) y BigQuery (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 LightGBM, XGBoost, CatBoost 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.DevOps aplicado a Machine Learning:



Experiencia con Docker, CI/CD (GitHub Actions, GitLab 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), TiDE, PatchTST, TimesFM, Chronos o modelos basados en Transformers.IA Generativa (GenAI / LLMOps): Experiencia en el desarrollo o despliegue de soluciones basa

📌 MLOPS (Madrid)
🏢 TECDATA ENGINEERING
📍 Madrid