ML Engineer

En Aristocrat, estamos impulsando la tecnología del sector del gaming mediante soluciones modernas y potentes. Nuestra misión es llevar alegría a la vida a través del juego. Valoramos la colaboración, la creatividad y un fuerte compromiso con la excelencia.

Este puesto dará soporte principalmente al área de Machine Learning de nuestra unidad de negocio Product Madness, una empresa tecnológica especializada en juegos móviles de casino social.

Buscamos un/a Ingeniero/a de Machine Learning para unirse a nuestro equipo de MLOps y reforzar nuestras capacidades de modelado. Serás responsable de los modelos de Machine Learning de principio a fin, desde los datos y la experimentación hasta su puesta en producción, y contribuirás a desarrollar una cultura sólida de monitorización y experimentación que garantice que nuestros modelos sigan siendo fiables y estén alineados con las necesidades del negocio a lo largo del tiempo.

Tu trabajo tendrá un impacto real en nuestros productos y en la experiencia de nuestros jugadores.

Qué harás

• Diseñar, entrenar, evaluar y reentrenar modelos de Machine Learning, con especial énfasis en sistemas de recomendación, para dar soporte a funcionalidades de los juegos, mejorar la experiencia de los jugadores y optimizar la eficiencia operativa.
• Liderar el diseño de la monitorización del rendimiento de nuestros modelos: definir qué métricas y aspectos deben supervisarse (drift, calidad de los datos, degradación del rendimiento), establecer umbrales y determinar qué significa que un modelo siga siendo fiable desde una perspectiva de negocio.
• Ayudar a establecer una cultura sólida de experimentación mediante el versionado de modelos y el seguimiento de experimentos con herramientas como MLflow o Weights & Biases, garantizando que los experimentos sean reproducibles y que las distintas versiones de los modelos puedan compararse y promoverse fácilmente.
• Contribuir al desarrollo de una cultura de gobernanza de modelos: definir cómo se promueven los modelos a producción y establecer las bases del proceso de comunicación y colaboración entre los equipos de MLOps y Data Science.
• Crear plantillas y estructuras reutilizables, como Cookiecutter, para estandarizar la forma en que el equipo de Data Science estructura, entrega y comunica sus modelos y experimentos.
• Construir pipelines robustos de entrenamiento y feature engineering, y desarrollar código limpio y preparado para producción en Python y SQL.
• Explorar y contribuir a proyectos en fases iniciales relacionados con LLMs, RAG y Agentic AI cuando aporten valor, como complemento del puesto y no como su responsabilidad principal.
• Desarrollar interfaces sencillas, por ejemplo con Streamlit, para acercar las capacidades de Machine Learning a usuarios no técnicos cuando resulte útil.
• Colaborar con equipos de Producto, Datos e Ingeniería, comunicando de manera clara los resultados, las limitaciones y las recomendaciones tanto a audiencias técnicas como de negocio.

Qué buscamos

• Más de 4 años de experiencia aplicando Machine Learning a problemas reales, desde el tratamiento de datos hasta el despliegue de modelos.
• Experiencia demostrable con sistemas de recomendación —como collaborative filtering, ranking o técnicas similares— aplicados a productos reales.
• Sólidos conocimientos de Python y experiencia práctica con librerías de Machine Learning como scikit-learn, PyTorch/TensorFlow, XGBoost o similares.
• Sólidos conocimientos de SQL y experiencia trabajando con grandes data warehouses.
• Experiencia práctica con herramientas de seguimiento de experimentos y/o registros de modelos, como MLflow, Weights & Biases o equivalentes.
• Experiencia diseñando o contribuyendo a sistemas de monitorización y seguimiento del rendimiento de modelos en producción.
• Experiencia trabajando con plataformas cloud como GCP, AWS o Azure, así como con Docker y Airflow.
• Una sólida base analítica, con formación en un área cuantitativa como matemáticas, física, informática o ingeniería, o experiencia profesional equivalente.

Se valorará

• Experiencia con Snowflake u otros data warehouses similares en la nube.
• Experiencia práctica desarrollando aplicaciones con IA generativa (LLMs), incluida la integración mediante APIs.
• Interés o experiencia inicial con sistemas RAG, ya sea mediante prototipos, proyectos personales o experiencia profesional.
• Interés o familiaridad con conceptos o frameworks de Agentic AI, como LangChain Agents o CrewAI.
• Capacidad para desarrollar interfaces de usuario sencillas, por ejemplo con Streamlit, que permitan acercar los modelos de Machine Learning a otros equipos.