Machine Learning Engineer / MLOps – GCP

Ubicación: Las Rozas, Madrid – Calle Jacinto Benavente
Modalidad: Híbrida, 1 día presencial por semana
Proyecto: Machine Learning / MLOps / Data Engineering

Buscamos un/a Machine Learning Engineer / MLOps con experiencia sólida en GCP, Python, industrialización de modelos y grandes volúmenes de datos, capaz de llevar modelos desde la experimentación hasta producción.

Requisitos imprescindibles

️ GCP / Vertex AI

• Experiencia sólida y demostrable con Vertex AI.
• Vertex AI Pipelines, Model Registry y Workbench.
• Despliegue y gestión de modelos en producción.
• Experiencia avanzada con BigQuery: optimización de consultas, procesamiento distribuido y conectores externos.

Python / Software Engineering

• Nivel avanzado de Python.
• Desarrollo de código modular, desacoplado, mantenible y testeable.
• Programación concurrente.
• Git, testing automatizado, code reviews y gestión de dependencias.

Machine Learning

• Desarrollo de modelos predictivos sobre millones de registros.
• Experiencia con LightGBM, XGBoost, CatBoost o similares.
• Optimización de entrenamiento e inferencia.

️ MLOps

• Industrialización de modelos desde notebooks/Workbench hasta producción.
• Pipelines automatizados.
• Versionado de modelos.
• Despliegues reproducibles.
• Monitorización de modelos.

DevOps

• Docker.
• CI/CD: GitHub Actions, GitLab CI o 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.

Se valorará especialmente

• Experiencia en Forecasting / Series Temporales.
• Previsión de demanda con alta cardinalidad.
• Estacionalidades, promociones y eventos.
• Estrategias cold-start.
• Deep Learning aplicado a forecasting: TFT, TiDE, PatchTST, TimesFM, Chronos, Transformers.
• GenAI / LLMOps: RAG, agentes, evaluación de modelos, prompt engineering y observabilidad.
• Optimización de hiperparámetros con Optuna, Ray Tune o similares.
• Paralelización de entrenamiento y optimización de inferencia.
• Optimización de costes computacionales.