ML Engineer / MLOps

🚀 Nueva oportunidad | ML Engineer — Forecasting, Optimización, MLOps & Productivización de Modelos

Estamos buscando un/a ML Engineer para incorporarse a un proyecto estratégico dentro de un entorno financiero internacional de gran escala, orientado a la industrialización de modelos de Machine Learning aplicados a un caso de uso real de gestión de efectivo.

No se trata de una posición puramente analítica ni de desarrollo de modelos en notebook. El foco principal estará en llevar modelos ya desarrollados a producción, asegurando robustez, trazabilidad, escalabilidad, mantenibilidad y alineamiento con estándares corporativos de gobierno y operación.

📌 ¿Qué hace especialmente atractivo este proyecto?

Trabajarás en un caso de uso con impacto directo en negocio, combinando:

🔹 Previsión de demanda mediante modelos de forecasting / series temporales.

🔹 Modelos de optimización asociados a decisiones operativas.

🔹 Productivización de modelos en entornos Databricks / PySpark.

🔹 Buenas prácticas de MLOps: versionado, trazabilidad, testing, CI/CD, monitorización y documentación.

🔹 Integración con herramientas corporativas como MLflow y plataformas internas de gobierno de modelos.

🔹 Colaboración con equipos de Data Engineering, Model Development, Plataforma, Negocio y Productivización.

El objetivo es convertir modelos existentes en soluciones productivas, estables y mantenibles, con criterio técnico para entender, validar, retar y mejorar tanto la parte predictiva como la parte de optimización.

🧠 Buscamos una persona que combine visión técnica y orientación a producción:

✅ 2-5 años de experiencia en Machine Learning, MLOps, Data Science Engineering o roles similares.

✅ Experiencia productivizando modelos en entornos reales.

✅ Python avanzado aplicado a ML, ingeniería de datos y producción.

✅ Experiencia con forecasting, series temporales o previsión de demanda.

✅ Conocimiento de modelos de optimización, programación matemática, heurísticas o problemas de asignación/planificación.

✅ SQL.

✅ PySpark / Apache Spark.

✅ Databricks o plataformas analíticas equivalentes.

✅ Git y trabajo colaborativo.

✅ CI/CD con Jenkins, GitHub Actions o herramientas similares.

✅ MLflow o herramientas similares de tracking, model registry y gestión de modelos.

✅ Buenas prácticas de desarrollo: modularización, testing, logging, control de errores y documentación.

⭐ Muy valorable:

➕ Experiencia en banca, sector financiero, retail, operaciones, supply chain, planificación o casos de uso con fuerte componente temporal.

➕ Experiencia migrando notebooks, prototipos o código exploratorio a soluciones robustas de producción.

➕ Experiencia con Nixtla, StatsForecast, MLForecast, LightGBM, Prophet, scikit-learn o librerías similares.

➕ Azure Databricks.

➕ Procesos batch de predicción e inferencia.

➕ Model registry, monitorización, retraining, linaje, auditoría y gobierno de modelos.

➕ Kafka o event streaming.

➕ Uso de herramientas de productividad asistida por IA como GitHub Copilot.

📈 ¿Qué progresión puede aportar?

Es una oportunidad interesante para perfiles que quieran evolucionar desde Data Science / ML Engineering hacia un rol más completo de MLOps, industrialización y arquitectura aplicada de modelos.

Tendrás exposición a un entorno corporativo exigente, con estándares de calidad, gobierno, trazabilidad y operación propios de una gran organización financiera. El proyecto permite ganar experiencia real en cómo se productivizan modelos en banca, cómo se gestionan modelos críticos en producción y cómo se combinan forecasting + optimización para resolver problemas operativos con impacto de negocio.

🎯 Perfil ideal:

Un/a ML Engineer o Data Scientist con experiencia real llevando modelos a producción, que no solo entrene modelos, sino que sepa convertirlos en pipelines fiables, documentados, versionados y mantenibles.

También puede encajar muy bien un perfil MLOps con buena base de Machine Learning, forecasting y experiencia con Databricks/PySpark.

🗣️ Idiomas: español fluido e inglés técnico

🏦 Sector: entorno financiero internacional

⚙️ Stack principal: Python, PySpark, Databricks, MLflow, SQL, CI/CD, forecasting, optimización, MLOps

Si tienes experiencia en ML Engineering, forecasting, productivización de modelos o MLOps, y te interesa participar en un proyecto aplicado, técnico y con impacto real en negocio, estaré encantado de comentarte más detalles.

#MLEngineer #MachineLearning #MLOps #DataScience #Forecasting #TimeSeries #DemandForecasting #PySpark #Databricks #MLflow #Python #SQL #Optimization #OperationsResearch #DataEngineering #Azure #ModelDeployment #ModelRegistry #CI/CD #Banca #Fintech #Hiring #TechJobs #AI #Data