Científico de Datos / Ingeniero de Machine Learning
En XpertGroup creemos en el talento que transforma, innova y crece cada día.
Somos una consultora tecnológica especializada que impulsa el desarrollo personal y profesional de nuestros colaboradores, creando oportunidades para que cada #XpertLover lleve su potencial al siguiente nivel. Actualmente estamos en búsqueda de un Científico de Datos / Ingeniero de Machine Learning, para sumarse a nuestra familia y participar en proyectos retadores de alto impacto.
¿Quieres crecer, aprender y construir soluciones junto a un gran equipo?
¡Esta oportunidad es para ti!
Descripción del cargo
Buscamos un profesional responsable de diseñar, desarrollar, entrenar, validar, desplegar y monitorear modelos analíticos y de machine learning, garantizando que las soluciones generen valor para el negocio y puedan operar de forma estable, segura y escalable en ambientes productivos.
El cargo integra capacidades de ciencia de datos e ingeniería de machine learning, abarcando desde la exploración y preparación de datos hasta la automatización del ciclo de vida de los modelos. Trabajará de manera articulada con ingenieros de datos para asegurar la calidad y disponibilidad de la información, y con equipos de DevOps y MLOps para implementar las soluciones en producción.
Se requiere experiencia en Python, Azure Machine Learning, Spark en Microsoft Fabric, MLflow, AKS y buenas prácticas de experimentación, versionamiento, despliegue y monitoreo de modelos.
Funciones y responsabilidades
- Comprender las necesidades del negocio y traducirlas en problemas analíticos o casos de uso de machine learning.
- Identificar oportunidades de aplicación de modelos predictivos, descriptivos y prescriptivos.
- Explorar, analizar y preparar datos provenientes de diferentes fuentes.
- Realizar procesos de limpieza, transformación, integración y validación de información.
- Colaborar con los equipos de ingeniería de datos para asegurar la calidad, disponibilidad y trazabilidad de los datos.
- Diseñar variables, características y conjuntos de datos adecuados para el entrenamiento de modelos.
- Desarrollar modelos estadísticos y de machine learning utilizando Python.
- Implementar algoritmos de clasificación, regresión, segmentación, recomendación, detección de anomalías y pronóstico.
- Utilizar Spark en Microsoft Fabric para el procesamiento distribuido de grandes volúmenes de información.
- Diseñar y ejecutar experimentos controlados para comparar diferentes algoritmos y configuraciones.
- Realizar ajuste de hiperparámetros y optimización del rendimiento de los modelos.
- Definir estrategias de entrenamiento, validación y pruebas.
- Evaluar modelos mediante métricas técnicas y criterios de negocio.
- Analizar precisión, robustez, estabilidad, sesgos y capacidad de generalización.
- Documentar supuestos, variables, resultados, limitaciones y criterios de aceptación.
- Registrar y gestionar experimentos mediante MLflow.
- Versionar modelos, parámetros, métricas, artefactos y conjuntos de datos.
- Implementar modelos y flujos de machine learning en Azure Machine Learning.
- Construir pipelines automatizados para entrenamiento, validación, registro y despliegue.
- Preparar modelos para su consumo mediante APIs, servicios batch o procesos en tiempo real.
- Desplegar y operar modelos en Azure Kubernetes Service —AKS— cuando la arquitectura lo requiera.
- Trabajar con equipos DevOps y MLOps para integrar modelos en pipelines de integración y despliegue continuo.
- Implementar contenedores y componentes reutilizables para la ejecución de modelos.
- Diseñar soluciones escalables y resilientes para ambientes de producción.
- Monitorear el desempeño técnico y funcional de los modelos desplegados.
- Detectar degradación, model drift, data drift, anomalías o pérdida de precisión.
- Definir alertas, métricas y mecanismos de reentrenamiento.
- Participar en procesos de revisión, aprobación y gobierno de modelos.
- Implementar controles de seguridad, acceso y protección de datos.
- Asegurar la explicabilidad y trazabilidad de las decisiones generadas por los modelos.
- Comunicar hallazgos, resultados y recomendaciones a equipos técnicos y áreas de negocio.
- Construir visualizaciones e informes que faciliten la interpretación de los resultados.
- Realizar pruebas unitarias, funcionales, de integración y rendimiento.
- Atender incidentes relacionados con disponibilidad, precisión o consumo de los modelos.
- Investigar nuevas técnicas, herramientas y servicios aplicables a ciencia de datos y machine learning.
- Proponer mejoras continuas para fortalecer la calidad, automatización y escalabilidad de las soluciones.
Herramientas y conocimientos clave
- Python.
- Azure Machine Learning.
- Microsoft Fabric.
- Apache Spark.
- MLflow.
- Azure Kubernetes Service —AKS—.
- Machine learning y modelado estadístico.
- Procesamiento y preparación de datos.
- Feature engineering.
- Evaluación y validación de modelos.
- MLOps y automatización del ciclo de vida de modelos.
- APIs y servicios de inferencia.
- Docker y contenedores.
- Integración continua y despliegue continuo.
- Monitoreo de modelos.
- Data drift y model drift.
- SQL y manejo de fuentes de datos.
- Explicabilidad, trazabilidad y gobierno de modelos.
Certificaciones recomendadas
- Microsoft Azure Data Scientist Associate — DP-100.
- Microsoft Azure AI Engineer Associate — AI-102.
- Certificación relacionada con Microsoft Fabric para ciencia de datos.
- Formación o certificaciones en MLOps, Spark, Kubernetes o Azure Machine Learning.
Competencias requeridas
- Pensamiento analítico y orientación a la solución de problemas.
- Capacidad para interpretar datos y convertirlos en recomendaciones.
- Comunicación efectiva con equipos técnicos y de negocio.
- Atención al detalle y rigurosidad metodológica.
- Trabajo colaborativo.
- Orientación a resultados.
- Aprendizaje continuo y capacidad de adaptación.
Modalidad y ubicación
Vacante híbrida en Monterrey, Nuevo León, México.
Lugar de trabajo: remoto híbrido en Monterrey, N. L.
