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 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 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