Machine Learning Engineer Senior Architect

La principal actividad es co-trabajar con equipos de Data Scientists para desarrollar sistemas o soluciones de machine learning en el marco de la analítica avanzada predictiva, además de definir y diseñar plataformas para soportar la construcción de este tipo de sistemas analítica avanzada. Se convivirá además con otras áreas de trabajo, teniendo la oportunidad de co-trabajar con ingenieros del ámbito de Big Data, de sistemas de IA y Machine Learning además de Arquitectura Cloud y otras tecnologías emergentes.

La actividad del área de Machine AI Engineering gira en torno a las soluciones end-to-end de analítica avanzada: desde la definición, diseño y despliegue de plataformas de analítica avanzada teniendo en cuenta la metodología de uso y gobierno de la misma hasta el diseño y desarrollo de soluciones o sistemas de Machine Learning, co-trabajando con equipos multidisciplinares; además de trabajo en otro tipo de problemas de AI como pueden ser los relacionados con NLP, Cognitivo, Computer Visión o HyperAutomatización., * Definir y diseñar plataformas de analítica avanzada en la nube para cubrir todo el ciclo de vida de la ciencia de datos bajo una perspectiva de MLOps.

• Desplegar, integrar y configurar todos aquellos componentes en la nube para la disponibilización de dichas plataformas de analítica avanzada, entendiendo en profundidad su uso y aplicación en el contexto real de la ciencia de datos, y garantizando las características requeridas por en función de todo ello, aplicándose para ello técnicas de GitOps junto con equipos de cloud engineers.
• Definir a nivel metodológico y de gobierno cómo ha de plantearse el ejercicio de la ciencia de datos sobre dichas plataformas.
• Operativizar soluciones de analítica avanzada, con el objetivo esencial de construir sistemas robustos que puedan integrarse de forma efectiva en los entornos productivos.
• Desarrollar soluciones de analítica avanzada end-to-end como parte de equipos multidisciplinares, colaborando en la definición de la solución y llevando a cabo la implementación de todos los procesos involucrados en la construcción y aplicación de modelos de machine learning.
• Desarrollar y desplegar servicios de analítica avanzada bajo metodologías ágiles de puesta en producción, aplicando técnicas de contenerización y automatización.
• Aplicar técnicas de ingeniería de datos en el contexto de las soluciones de analítica avanzada, haciendo uso de herramientas y frameworks big data.
• Conocer, gestionar y utilizar las diferentes herramientas y plataformas disponibles en las distintas nubes para el desarrollo de soluciones de ciencia de datos: Azure Databricks, Azure Machine Learning, Amazon SageMaker, Google Vertex AI…
• Conocer, gestionar y utilizar plataformas integrales para el desarrollo de soluciones de ciencia de datos: DataRobot, Dataiku, SAS Viya.
• Co-trabajar con el departamento de innovación en la labor de perfeccionar y aumentar el portfolio mediante el desarrollo de artefactos de ingeniería aplicables al ecosistema de data y analytics.

• Ingeniería Informática, Ingeniería de Telecomunicación u otra salida académica que te haya dotado de capacidad de desarrollo y pensamiento crítico en este ambiente.
• Se valorará de forma muy positiva tener formación a través de un Máster en Big Data y Analytics o un Master de Inteligencia Artificial que recorra los principales algoritmos prácticas, herramientas y estrategias de desarrollo de analítica avanzada.
• Conocimiento de los fundamentos de las técnicas de Data Science y ML.
• Conocimiento del ciclo de vida de las soluciones de analítica avanzada.
• Conocimiento y experiencia en la aplicación de prácticas MLOps.
• Conocimiento de modelado de datos.
• Lenguajes:

• Dominio alto de Python, o en su defecto similares: R, Scala, etc.
• Dominio medio de SQL (a valorar también PL/SQL).
• Dominio medio de Bash u otro paradigma de scripting en Unix

• Conocimiento de librerías específicas para procesamiento de datos y machine learning: pandas, NumPy, scikit-learn, Keras, TensorFlow…
• Conocimiento y experiencia en el uso de sistemas de control de versiones (VCS), esencialmente Git.
• Conocimiento de herramientas de orquestación y ejecución de procesos: Apache Airflow, Kedro, Prefect…
• Conocimiento de librerías o frameworks específicos para procesamiento de datos en ambientes big data: Apache Spark (PySpark), Dask, Apache Kafka…
• Conocimiento de herramientas de automatización bajo un paradigma DevOps: Azure DevOps, Jenkins, AWS CodePipeline, Bitbucket Pipelines, GitHub Actions…
• Conocimiento de herramientas de soporte al ciclo de vida de la ciencia de datos: MLflow, Neptune.ai…
• Conocimiento medio-avanzado con respecto a tecnologías y herramientas de contenerización, esencialmente Docker y Kubernetes.
• Conocimiento de librerías y frameworks para el desarrollo y despliegue de microservicios: Flask, FastAPI, MLflow, Seldon…
• Valorable el conocimiento de plataformas integrales para la aplicación de la ciencia de datos como por ejemplo Dataiku.
• Experiencia en la utilización de al menos una de las tres grandes nubes (AWS, Microsoft Azure o Google Cloud Platform), especialmente en lo relativo a los servicios orientados a procesamiento de datos y ciencia de datos: Azure Machine Learning, Azure Databricks, Amazon SageMaker, Google Vertex AI, BigQuery, Amazon Redshift…, * Al menos 4 años trabajando en soluciones productivas de analítica avanzada en contextos empresariales e industriales.
• Al menos 2 años desarrollando la actividad de Data Engineer en el ámbito técnico que se propone posteriormente o en ambientes técnicos semejantes.
• Al menos 1 año desarrollando la actividad de ML Engineer en el ámbito técnico que se propone posteriormente o en ambientes técnicos semejantes.

¿Qué experiencia te llevará a ser un Architect?

• Al menos 8 años trabajando en soluciones productivas de analítica avanzada en contextos empresariales e industriales.
• Al menos 3 años desarrollando la actividad de Data Engineer en el ámbito técnico que se propone posteriormente o en ambientes técnicos semejantes.
• Al menos 4 años desarrollando la actividad de ML Engineer en el ámbito técnico que se propone posteriormente o en ambientes técnicos semejantes.
• Al menos 1 año realizando la labor de desarrollo de negocio desde la perspectiva de diseño de soluciones de analítica y estimación de esfuerzos.

• Modelo de trabajo Smart Work o 100% remoto.
• Horario laboral flexible y facilidad para la conciliación laboral familiar.
• Desarrollo de una carrera como AI Engineer mediante un plan de carrera fuertemente tecnológico, especializado y cuidadosamente diseñado y en constante evolución:

• Evaluaciones cada 6 meses .
• Valoraciones estrictamente meritocráticas y en base a las 6 dimensiones de crecimiento profesional que establece SDG para cada categoría profesional (Práctica, Operaciones, Equipo, Cliente, Negocio e Influencia).
• Make your own SDG: consensua tus objetivos con tus managers y adapta tu plan de carrera a tus aspiraciones de crecimiento de acuerdo con tu contexto personal en cada momento.

• Ser parte de una cultura colaborativa dinámica donde de forma apasionada convergen el conocimiento en diferentes industrias, el buen management y la tecnología. Estarás rodeado de un equipo de práctica con grandes especialistas y referentes profesionales, y también de otras áreas y equipos de SDG.
• Pensando siempre en el next-step de la innovación en Data & Analytics.
• Oferta económica acorde a la experiencia y conocimientos que nos demuestres. Retribución flexible y beneficios sociales como Ticket Restaurant, seguro médico privado para ti y tu familia e interesantes descuentos tecnológicos.
• Ecosistemas tecnológicos variados y de gran envergadura.
• Importantes iniciativas de transformación en la mayoría de proyectos.
• Proyectos liderados y gestionados por SDG en su mayoría: el outsourcing no es la base del negocio de SDG.

La posición abierta es para la incorporación a la Práctica de Data Technologies: departamento de SDG integrado por equipos de especialistas, que promueve la excelencia técnica en la compañía. Se trata de una práctica transversal que da servicio al resto de prácticas y equipos que conforman SDG. Data Technologies se segmenta en diferentes áreas de conocimiento: Innovation, Advisory & Solutioning, Data Management, Big Data, AI Engineering y Cloud & Emerging Tools. En concreto, el área de la posición a cubrir es AI Engineering.