Ingeniero Machine Learning

Somos BPT (Business Process & Technologies), una fábrica de datos, analítica y aplicaciones potenciadas con IA. Desde 2014 transformamos organizaciones, articulando estratégicamente procesos, datos e inteligencia artificial para lograr agilidad, eficiencia y toma de decisiones precisa.
Ofrecemos soluciones tecnológicas end to end, desarrolladas bajo nuestro marco de trabajo, para identificar las necesidades corporativas, acompañando la transformación de las organizaciones en dos verticales de negocio:
Data & Analytics: Decisiones precisas con analítica de datos gobernados y de calidad.IA Apps: Procesos digitales a tu medida, potenciados con inteligencia artificial como ventaja competitiva.
Entregados bajo tres modelos de servicio
BPT Managed POD: BPT Gestiona el alcance, calidad y capacidad técnica de la solución, de acuerdo al Journey desarrollado con cada cliente.Customer Managed POD (Staff Augmentation): el cliente integra talento especializado BPT a su equipo y se encarga de su gestión, de acuerdo a la necesidad de cada negocio.Support and maintenance POD: BPT dispone un equipo con capacidad fija, para atención de incidentes, eventos y mejoras menores de acuerdo con la estimación de la capacidad y la gestión de incidentes y eventos.
MISIÓN DEL CARGO:Diseñar, construir y mantener sistemas de Machine Learning productivos y escalables sobre el ecosistema Azure y Databricks, llevando modelos desde la experimentación hasta producción con estándares de ingeniería de software. El rol actúa como puente entre los equipos de Ciencia de Datos y de Plataforma/Infraestructura, garantizando que los modelos operen de forma confiable, gobernada y eficiente en costos.
Requisitos generalesFormación en Ingeniería de Sistemas, Informática, Ciencia de Datos, Matemáticas/Estadística o afines.3 a 5 años de experiencia en roles de Machine Learning Engineer, Data Engineer con enfoque ML, o similar.Experiencia comprobable trabajando con Azure y Databricks en proyectos productivos (no solo exploratorios).Inglés técnico para lectura de documentación (deseable nivel intermedio-alto).
Responsabilidades principalesIngeniería y productización: transformar código de experimentación (notebooks) en código modular, empaquetado (Python wheels o contenedores) y orientado a objetos.Orquestación: diseñar, paralelizar y monitorear pipelines de datos y ML mediante Databricks Workflows (Jobs).Gobierno y model serving: administrar Unity Catalog, incluyendo Model Registry, linaje de datos, permisos y configuración de endpoints para consumo en tiempo real o batch.CI/CD: configurar y mantener pipelines de integración y despliegue continuo (Azure DevOps, GitHub Actions) y automatizar el empaquetado del código.Optimización computacional: afinar cargas PySpark, particionamiento de datos y configuración de clústeres para entrenamiento e inferencia eficientes.Monitoreo en producción: detectar data drift y degradación de modelos, y definir criterios de reentrenamiento.Colaboración transversal: traducir requerimientos de infraestructura a los equipos de Ciencia de Datos y alinear estándares de código entre ambos.
Conocimientos técnicosArquitectura Azure y Databricks (núcleo — obligatorio)Databricks: Workflows/Jobs, clusters (configuración y tuning), notebooks, Repos, Delta Lake y Delta Live Tables.Unity Catalog: gestión avanzada de Model Registry, linaje de datos, permisos a nivel de catálogo/esquema/tabla y configuración de endpoints (real-time y batch).Azure Machine Learning: registro y despliegue de modelos, pipelines de AML, endpoints administrados.Almacenamiento y seguridad: Azure Data Lake Storage Gen2, Blob Storage, Azure Key Vault, gestión básica de redes (VNets, private endpoints).CI/CD: Azure DevOps Pipelines y/o GitHub Actions para despliegue continuo y empaquetado automatizado.MLflow: tracking de experimentos, versionado de modelos y registry.PySpark: nivel intermedio/avanzado — optimización de tiempos de ejecución, particionamiento y manejo eficiente de clústeres.Python: programación orientada a objetos, empaquetado (wheels), buenas prácticas de ingeniería de software.SQL avanzado para transformación y validación de datos a gran escala.
Tecnologías y frameworks alternativos de ML (deseables / complementarios)Frameworks de modelado: scikit-learn, XGBoost, LightGBM, PyTorch y/o TensorFlow.GenAI / LLMs: Azure OpenAI Service, LangChain u orquestadores similares, bases de datos vectoriales (Azure AI Search, FAISS).Contenedores y orquestación: Docker; nociones de Kubernetes (AKS) para servicios de inferencia propios.Serving de modelos: diseño de APIs de inferencia (REST/gRPC, FastAPI) y patrones batch, streaming y tiempo real.Calidad de datos: frameworks de validación como Great Expectations o equivalentes.Observabilidad: Application Insights, Prometheus/Grafana u otras herramientas de monitoreo de modelos y pipelines.Multi-cloud (plus): experiencia adicional en AWS o GCP es un diferencial, no un requisito.
Habilidades transversalesPensamiento sistémico: entender el modelo no como producto final, sino como un engranaje dentro de un sistema de software continuo.Mindset de desarrollo guiado por especificación (SDD): capacidad de planificar y estructurar la solución técnica antes de escribir código, anticipando fallos de arquitectura.Tolerancia a la frustración y resiliencia en debugging: capacidad de rastrear errores de infraestructura, dependencias y cuellos de botella en la nube, distintos a los errores de modelado.Comunicación transversal: habilidad para dialogar con perfiles técnicos diversos (Data Scientists, arquitectos, DevOps) y negociar estándares sin generar fricciones.Autonomía y resolución de problemas: iniciativa para investigar y resolver incidentes de producción con mínima supervisión.Orientación a la calidad y al detalle: rigurosidad en pruebas, documentación y buenas prácticas de código.Adaptabilidad: disposición a actualizarse frente a la evolución constante del ecosistema de datos y ML.Trabajo colaborativo: disposición para el mentoring y la construcción conjunta de estándares con el equipo de Ciencia de Datos.