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 Ambiente 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 eficiente. 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