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.