Data Scientist (H/M/X) - Remote

DATA SCIENTIST / MLOps

Perfil profesional

Profesional de Data Science / MLOps con más de 3 años de experiencia en el diseño, desarrollo, despliegue y operación de modelos de Machine Learning en entornos productivos. Especialización en automatización del ciclo de vida del ML (ML lifecycle), incluyendo pipelines de datos, despliegue en producción, monitorización de modelos y reentrenamiento. Experiencia en entornos cloud, contenedores y plataformas de datos empresariales.

Experiencia profesional

Data Scientist / MLOps Engineer

• Desarrollo de modelos de Machine Learning en Python aplicados a problemas de negocio.
• Despliegue de modelos en producción utilizando Docker y Kubernetes.
• Diseño e implementación de pipelines de datos y automatización de workflows (CI/CD aplicado a ML).
• Uso de herramientas de control de versiones y experiment tracking (Git, MLflow o equivalentes).
• Monitorización de modelos en producción, detección de drift y ejecución de procesos de reentrenamiento.
• Integración de soluciones ML en entornos cloud (AWS / Azure / GCP).
• Optimización continua de modelos en producción para mejora de rendimiento.
• Administración y configuración de plataforma de datos Stratio, incluyendo optimización de sus componentes principales.

Machine Learning / Data Engineer

• Desarrollo de pipelines de datos escalables con procesamiento distribuido (Spark u otros).
• Creación de APIs para inferencia de modelos mediante arquitecturas de microservicios.
• Automatización de procesos de datos y ML con herramientas de orquestación (Airflow o similares).
• Aplicación de prácticas DevOps en entornos de datos y machine learning.
• Participación en proyectos de industrialización de modelos de IA.

Formación académica

Titulación universitaria STEM (Ingeniería / Matemáticas / Telecomunicaciones o equivalente)

Competencias técnicas

Lenguajes:

• Python (avanzado)
• SQL

Machine Learning / MLOps:

• Scikit-learn, TensorFlow, PyTorch (según experiencia)
• MLflow, Kubeflow, Metaflow
• CI/CD aplicado a ML

Contenedores e infraestructura:

• Docker
• Kubernetes
• Git

Cloud computing:

• AWS / Azure / GCP (servicios de ML, almacenamiento y computación)

Data Engineering:

• Apache Spark
• Airflow u otras herramientas de orquestación
• Diseño de pipelines de datos

Plataformas:

• Stratio (configuración, administración y optimización de componentes)

MLOps avanzado:

• Monitorización de modelos en producción
• Detección de drift
• Retraining automático
• Model governance y explicabilidad

Proyectos (opcional)

Industrialización de modelos de Machine Learning

• Diseño de arquitectura end-to-end para despliegue de modelos en producción con monitorización y automatización del ciclo de vida.

Plataforma de datos en cloud

• Implementación de pipelines de datos y servicios ML en entorno cloud con orquestación y CI/CD.

Sistema de inferencia en microservicios

• Desarrollo de APIs para modelos ML desplegados en Kubernetes.

#J-18808-Ljbffr