ML Engineer

Industrializar, desplegar y mantener en producción los modelos de Machine Learning desarrollados por el equipo de Data Science, asegurando su escalabilidad, baja latencia y monitorización continua bajo las mejores prácticas de MLOps.

Responsabilidades y Requisitos:

Despliegue en Entorno GCP: Experiencia avanzada desplegando modelos como procesos batch o servicios utilizando los servicios de Google Cloud Platform (especialmente Vertex AI pipelines, Airflow), asegurando la alta disponibilidad del servicio.

MLOps: Optimizar el código de los Data Scientists para convertirlo en código productivo productivo.

Stack Tecnológico y Datos: Dominio avanzado de Python aplicando buenas prácticas de ingeniería de software (testing, control de versiones, modularidad).



Experiencia en optimización de pipelines y almacenamiento de datos (particionamiento, vistas materializadas, deltas, etc.)

Orquestación de Pipelines: Construcción, mantenimiento y optimización de flujos de trabajo automatizados complejos, Airflow y ControlM para programar las distintas etapas del ciclo de vida del dato y del modelo.

Monitorización y Rendimiento: Implementar sistemas de alerta para monitorizar la salud de los modelos en producción (detectando data drift o degradación del rendimiento) y optimizar el consumo de recursos en la nube.

Atender incidencias: Atender directamente las incidencias de 2N de los proyectos subidos a producción que se le hayan designado.

📌 ML Engineer (Madrid)
🏢 TECDATA ENGINEERING
📍 Madrid