ML Engineer
Hace 4 días
Madrid Madrid provincia, MD, España
Tecdata Engineering
Trabajo remoto
Jornada completa
Gratis con email o Google
Guarda esta oferta y sigue tu búsqueda
Crea una cuenta gratis para guardar empleos, crear alertas y volver a esta oferta desde tu panel.
Gratis con email o Google
Al continuar, aceptas nuestros Términos & Política de Privacidad.
## ML Engineer
Industrializar, desplegar y mantener en producción los modelos de Machine Learning desarrollados por el equipo de Data Science, asegurando su escalabilidad, baja latencia y monitorización continua bajo las mejores prácticas de MLOps.
Responsabilidades y
Requisitos:
Despliegue en Entorno GCP: Experiencia avanzada desplegando modelos como procesos batch o servicios utilizando los servicios de Google Cloud Platform (especialmente Vertex AI pipelines, Airflow), asegurando la alta disponibilidad del servicio. MLOps: Optimizar el código de los Data Scientists para convertirlo en código productivo eficiente. Stack Tecnológico y Datos: Dominio avanzado de Python aplicando buenas prácticas de ingeniería de software (testing, control de versiones, modularidad). Experiencia en optimización de pipelines y almacenamiento de datos (particionamiento, vistas materializadas, deltas, etc.) Orquestación de Pipelines: Construcción, mantenimiento y optimización de flujos de trabajo automatizados complejos, Airflow y ControlM para programar las distintas etapas del ciclo de vida del dato y del modelo. Monitorización y Rendimiento: Implementar sistemas de alerta para monitorizar la salud de los modelos en producción (detectando data drift o degradación del rendimiento) y optimizar el consumo de recursos en la nube. Atender incidencias: Atender directamente las incidencias de 2N de los proyectos subidos a producción que se le hayan designado.
Requisitos:
Despliegue en Entorno GCP: Experiencia avanzada desplegando modelos como procesos batch o servicios utilizando los servicios de Google Cloud Platform (especialmente Vertex AI pipelines, Airflow), asegurando la alta disponibilidad del servicio. MLOps: Optimizar el código de los Data Scientists para convertirlo en código productivo eficiente. Stack Tecnológico y Datos: Dominio avanzado de Python aplicando buenas prácticas de ingeniería de software (testing, control de versiones, modularidad). Experiencia en optimización de pipelines y almacenamiento de datos (particionamiento, vistas materializadas, deltas, etc.) Orquestación de Pipelines: Construcción, mantenimiento y optimización de flujos de trabajo automatizados complejos, Airflow y ControlM para programar las distintas etapas del ciclo de vida del dato y del modelo. Monitorización y Rendimiento: Implementar sistemas de alerta para monitorizar la salud de los modelos en producción (detectando data drift o degradación del rendimiento) y optimizar el consumo de recursos en la nube. Atender incidencias: Atender directamente las incidencias de 2N de los proyectos subidos a producción que se le hayan designado.