Directo de la empresahace 5 días
Data Science Lead (MLOps & Advanced Analytics)
Resilientco
Remoto · Por proyecto
Líder5+ años
Este aviso fue publicado originalmente en inglés, así que es probable que necesites inglés para este puesto. La descripción puede estar traducida automáticamente al español; ante la duda, revisá el aviso original con el botón de postularte.
Empresa busca un Líder de Data Science con experiencia en MLOps y analítica avanzada para diseñar y desplegar soluciones de Machine Learning y AI en producción, utilizando el ecosistema Azure.
Por qué aplicar
Si te apasiona llevar modelos de Machine Learning a producción y tenés experiencia en MLOps y Azure, este rol es para vos. Podrás liderar el diseño e implementación de soluciones de IA escalables, transformando datos en inteligencia de negocio.
Descripción del puesto
El Data Science Lead es un líder técnico fundamental responsable de diseñar y desplegar soluciones de Machine Learning (ML) e Inteligencia Artificial (AI) listas para producción. Dirigirás el desarrollo de modelos predictivos sofisticados dentro de un robusto framework de CI/CD/CT (Continuous Training). Aprovechando el ecosistema de Azure (Databricks, Spark, Azure ML), transformarás grandes volúmenes de datos crudos en inteligencia escalable, asegurando que los modelos no sean solo "experimentos de notebook", sino activos empresariales resilientes. Responsabilidades - Liderazgo Arquitectónico: Liderar el diseño y la entrega de sistemas de ML de extremo a extremo, priorizando principios de MLOps para garantizar la reproducibilidad, auditabilidad y escalabilidad de los modelos. - Desarrollo de Ciclo Completo: Supervisar el proceso desde la hipótesis y el Análisis Exploratorio de Datos (EDA) hasta la ingeniería de características, la selección de modelos y el despliegue en producción. - Sinergia Interfuncional: Actuar como puente técnico entre los Ingenieros de Datos (para optimización de ETL/Feature Store) y los Stakeholders de Negocio (para traducir KPIs en funciones objetivo). - Automatización de Infraestructura: Diseñar pipelines automatizados para validación de datos, perfilado de modelos y ajuste de hiperparámetros utilizando Azure Machine Learning Services. - Gobernanza y Monitoreo: Establecer un monitoreo riguroso para Data Drift y Concept Drift, asegurando que el rendimiento del modelo se mantenga óptimo post-despliegue. Requisitos - Experiencia: 5–8 años de experiencia total, con 4+ años específicamente en un rol práctico de Data Science y 2+ años liderando equipos técnicos o proyectos complejos. - Educación: BE/BS o MS/PhD en Ciencias de la Computación, Estadística, Matemáticas, Física o un campo cuantitativo relacionado. - Modelado Avanzado y Matemáticas - Deep Learning y ML Clásico: Dominio de aprendizaje supervisado/no supervisado, incluyendo Gradient Boosted Trees (XGBoost/LightGBM), Random Forests y Redes Neuronales. - Rigor Estadístico: Maestría en pruebas de hipótesis, inferencia bayesiana y análisis de errores. Capacidad para diseñar experimentos complejos y pruebas A/B. - Series Temporales y Pronóstico: Experiencia con pronósticos avanzados (Prophet, ARIMA o redes LSTM) es altamente deseable para aplicaciones de Cadena de Suministro/Ingresos. - Optimización: Conocimiento de personalización de funciones de pérdida y algoritmos de optimización (Gradient Descent, Algoritmos Genéticos). - Ingeniería y MLOps (La 'Vanguardia') - El Stack: Dominio avanzado de Python (Pandas, Scikit-learn, PySpark/TensorFlow) y SQL. - Big Data: Experiencia práctica con PySpark y Databricks para el procesamiento distribuido de conjuntos de datos a escala de petabytes. - Orquestación: Conocimiento experto de MLFlow para seguimiento de experimentos y Kubeflow o Azure Pipelines para orquestación. - Despliegue: Experiencia con contenedores (Docker/Kubernetes) y despliegue de modelos en trabajos de inferencia batch. Deseable - Traducción Estratégica: La capacidad de tomar un problema de negocio ambiguo (ej. "Estamos perdiendo margen en el Medio Oeste") y traducirlo en un problema de ML específico (ej. "Un modelo de churn multiclase con una capa de interpretabilidad basada en SHAP"). - Mentoría Técnica: Un historial comprobado de realización de revisiones de código, promoción de buenas prácticas en "Clean Code" y mejora de habilidades de científicos de datos junior. - Defensa de Agile: Familiaridad profunda con metodologías Agile/Scrum, específicamente cómo adaptar ciclos de "Sprint" a la naturaleza no lineal de Investigación y Desarrollo. - Influencia y Gestión de Stakeholders: El "poder blando" para explicar compensaciones complejas de modelos (ej. Precisión vs. Recall) a ejecutivos no técnicos para impulsar la toma de decisiones basada en datos.
Responsabilidades
- Liderar el diseño y entrega de sistemas de ML de extremo a extremo, priorizando principios MLOps.
- Supervisar el ciclo de vida completo del modelo, desde la hipótesis hasta el despliegue en producción.
- Actuar como puente técnico entre Ingenieros de Datos y Stakeholders de Negocio.
- Arquitectar pipelines automatizados para validación de datos, perfilado de modelos y ajuste de hiperparámetros.
- Establecer monitoreo riguroso para Data Drift y Concept Drift.
Habilidades
Liderazgo técnicoGestión de proyectos complejosAnálisis exploratorio de datosIngeniería de característicasSelección de modelosDespliegue de modelosValidación de datosOptimización de hiperparámetrosMonitoreo de Data DriftMonitoreo de Concept DriftPruebas de hipótesisAnálisis de erroresDiseño de experimentosPruebas A/BOptimización de funciones de pérdidaAlgoritmos de optimizaciónGestión de stakeholdersToma de decisiones basada en datosLiderazgoComunicaciónResolución de problemasPensamiento analíticoAdaptabilidad