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 robusto 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 Benavente Modalidad: Híbrida --- 1 día presencial por semana Posición: MLOps Engineer Misión Diseñar 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 imprescindibles GCP & Vertex AI Experiencia 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 Engineering Nivel avanzado de Python . Desarrollo de código modular, desacoplado, testeable y preparado para ejecución concurrente. Git, testing automatizado, code reviews y gestión de dependencias.

Machine Learning

Desarrollo de modelos predictivos con LightGBM, XGBoost,



CatBoost o similares.

Experiencia trabajando con millones de registros . Optimización de entrenamiento e inferencia. MLOps / Industrialización Experiencia llevando modelos desde Notebooks / Workbench hasta producción . Pipelines automatizados. Versionado de modelos. Despliegues reproducibles. Monitorización de modelos. DevOps Docker. CI/CD con GitHub Actions, GitLab CI o herramientas similares. Automatización de despliegues y gestión de entornos ML.

Data Engineering

Construcción de pipelines de datos para entrenamiento e inferencia. Optimización de procesos ETL/ELT . Gestión y procesamiento de grandes volúmenes de datos. Será valorable Experiencia 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.

📌 Desarrollador Python Cloud (Las Rozas de Madrid)
🏢 remoteo
📍 Las Rozas de Madrid