Buscamos incorporar un/a MLOps Engineer para participar en proyectos de Machine Learning y Data Engineering, trabajando en la industrialización, despliegue y operación de modelos en entornos cloud.Buscamos un perfil con resistente base de Python, GCP, Vertex AI, BigQuery y MLOps, capaz de llevar modelos desde la experimentación hasta producción de forma automatizada, escalable y reproducible.Ubicación: Las Rozas, Madrid --- Calle Jacinto BenaventeModalidad: Híbrida --- 1 día presencial por semanaPosición: MLOps EngineerMisiónDiseñar y evolucionar soluciones de MLOps y Machine Learning sobre GCP, automatizando el ciclo completo de los modelos: preparación de datos, entrenamiento, versionado, despliegue, monitorización y optimización.Requisitos imprescindiblesGCP & Vertex AIExperiencia sólida con Google Cloud Platform.Vertex AI: Pipelines, Model Registry, Workbench y despliegue de modelos.BigQuery: optimización de consultas a gran escala, procesamiento distribuido y conectores externos.Python & Software EngineeringNivel avanzado de Python.Desarrollo de código modular, desacoplado, testeable y preparado para ejecución concurrente.Git, testing automatizado, code reviews y gestión de dependencias.Machine LearningDesarrollo de modelos predictivos con LightGBM, XGBoost,



CatBoost o similares.Experiencia trabajando con millones de registros.Optimización de entrenamiento e inferencia.MLOps / IndustrializaciónExperiencia llevando modelos desde Notebooks / Workbench hasta producción.Pipelines automatizados.Versionado de modelos.Despliegues reproducibles.Monitorización de modelos.DevOpsDocker.CI/CD con GitHub Actions, GitLab CI o herramientas similares.Automatización de despliegues y gestión de entornos ML.Data EngineeringConstrucción de pipelines de datos para entrenamiento e inferencia.Optimización de procesos ETL/ELT.Gestión y procesamiento de grandes volúmenes de datos.Será valorableExperiencia en Forecasting / Series Temporales y previsión de demanda.Alta cardinalidad, estacionalidades complejas, promociones y eventos.Estrategias de cold-start.Deep Learning aplicado a forecasting:TFT, TiDE, PatchTST, TimesFM, Chronos o Transformers.GenAI / LLMOps: RAG, agentes, evaluación de modelos, prompt engineering y observabilidad.Optimización de hiperparámetros con Optuna, Ray Tune o similares.Paralelización del entrenamiento y optimización de inferencia.Optimización de costes computacionales.#J-18808-Ljbffr

📌 MLOps Engineer | GCP / Vertex AI / Python (Madrid)
🏢 remoteo
📍 Madrid