Accenture Song es la unidad de Accenture que combina creatividad, datos, tecnología y diseño para crear experiencias de cliente relevantes y escalables.

Dentro de este contexto, buscamos incorporar un perfil MLOps Engineer - Consultant para participar en el diseño, industrialización y operación de modelos de Machine Learning avanzados, alineados con soluciones de negocio data-driven y ecosistemas digitales complejos.

Funciones:

• Desarrollo, entrenamiento y evaluación de modelos de Machine Learning supervisados y no supervisados utilizando Python.

• Implementación de procesos de feature engineering, model fitting, monitorización de rendimiento y detección y ajuste de data/model drift.

• Desarrollo e integración de soluciones MLOps en arquitecturas Cloud, con especial foco en AWS.

• Colaboración con perfiles de data science, ingeniería y negocio.

Responsabilidades:

• Diseñar y mantener pipelines de Machine Learning orientados a producción.

• Implementar prácticas de CI/CD aplicadas a modelos analíticos.

• Seguimiento del rendimiento de modelos en producción.





• Aplicar criterios de seguridad, logging y compliance.

Requisitos imprescindibles:

• Experiencia cualificado desarrollando soluciones de Machine Learning con Python.

• Experiencia en algoritmos supervisados y no supervisados.

• Experiencia en ciclo de vida completo del modelo.

• Experiencia en entornos Cloud.

• Nivel de inglés B2-C1

Requisitos valorables:

• Experiencia en AWS SageMaker.

• Desarrollo de ML Pipelines.

• Orquestación de workflows.

• Experiencia en Martech.

• Experiencia en sector financiero/banca.

En Accenture, compañía reconocida como Great Place To Work®, apostamos por un modelo de híbrido de trabajo que, gracias a la tecnología y a nuestras instalaciones, nos permiten mantener la conexión humana esencial para trabajar con nuestros equipos y clientes. Una conexión que nos permite mantener nuestra cultura de inclusión y diversidad y ser, según Refinitiv, la empresa más dive

📌 Data Scientist (Madrid)
🏢 Accenture
📍 Madrid