{{Nombre de la empresa}} busca un/a Ingeniero/a de Machine Learning que saque los modelos de los notebooks y los lleve a producción. Serás dueño/a del ciclo completo — preparación de datos, entrenamiento, despliegue y monitoreo — construyendo sistemas de ML que siguen funcionando después del día del lanzamiento.

Qué harás

• Construir y productivizar modelos para {{Caso de uso principal de ML}}, desde el baseline hasta el servicio desplegado.
• Diseñar pipelines de entrenamiento y features reproducibles, versionados y testeables.
• Desplegar modelos detrás de infraestructura de serving confiable y de baja latencia, con fallbacks sensatos.
• Monitorear modelos en producción por drift, degradación y costo — y reentrenar antes de que los usuarios lo noten.
• Evaluar con honestidad: métricas offline, experimentos online y la brecha entre ambos.
• Trabajar con los equipos de producto para plantear problemas donde el ML realmente supera a una regla más simple.
• Contribuir a las herramientas compartidas de ML y elevar el estándar de ingeniería del código de modelos del equipo.

Qué buscamos

• {{Años de experiencia}} años construyendo sistemas de machine learning que corrieron en producción.
• Python sólido y fundamentos de ingeniería de software — los modelos son código, y el tuyo es revisable.
• Experiencia práctica con un framework moderno de ML y su cadena de herramientas de entrenamiento.
• Comprensión práctica del lado del despliegue: APIs, contenedores, serving batch vs tiempo real.
• Experiencia con pipelines de datos y la disciplina de versionar datos con el mismo cuidado que el código.
• Criterio sobre la complejidad de los modelos: gana el modelo más simple que cumpla la métrica.

Deseable

• Experiencia con modelos de lenguaje grandes: fine-tuning, pipelines de recuperación o arneses de evaluación.
• Familiaridad con una plataforma de ML o stack de seguimiento de experimentos.
• Experiencia con infraestructura de ML de {{Proveedor de nube}} y cargas de trabajo en GPU.
• Publicaciones, resultados en competencias o trabajo de ML open source.

Compensación y beneficios

• {{Rango salarial}}
• {{Resumen de beneficios}}
• {{Ubicación / política de trabajo remoto}}

Cómo postular

{{Instrucciones para postular}} Cuéntanos sobre un modelo que publicaste: la métrica que movió, cómo falló en producción al menos una vez y qué cambiaste.