Machine Learning Engineer / Mlops - Gcp

Ubicación:Las Rozas, Madrid - Calle Jacinto BenaventeModalidad:Híbrida,1 día presencial por semanaDescubra más sobre las tareas diarias, las responsabilidades generales y la experiencia requerida para esta oportunidad desplazándose hacia abajo ahora.Buscamos un/aMachine Learning Engineer / MLOpscon experiencia sólida enGCP, Python, industrialización de modelos y grandes volúmenes de datos, capaz de llevar modelos desde la experimentación hasta producción.Requisitos imprescindiblesGCP / Vertex AIExperiencia sólida y demostrable conVertex AI.Vertex AI Pipelines, Model Registry y Workbench.Despliegue y gestión de modelos en producción.Experiencia avanzada conBigQuery: optimización de consultas, procesamiento distribuido y conectores externos.Python / Software EngineeringNivel avanzado dePython.Desarrollo de código modular, desacoplado, mantenible y testeable.Programación concurrente.Git, testing automatizado, code reviews y gestión de dependencias.Machine LearningDesarrollo de modelos predictivos sobremillones de registros.Experiencia conLightGBM, XGBoost, CatBoosto similares.Optimización de entrenamiento e inferencia.MLOpsIndustrialización de modelos desde notebooks/Workbench hasta producción.Pipelines automatizados.Versionado de modelos.Despliegues reproducibles.Monitorización de modelos.DevOpsDocker.CI/CD:GitHub Actions, GitLab CIo similares.Automatización de despliegues y gestión de entornos ML.Data EngineeringConstrucción de pipelines de datos para entrenamiento e inferencia.Optimización de procesosETL/ELT.Gestión y procesamiento de grandes volúmenes de datos.Se valorará especialmenteExperiencia enForecasting / Series Temporales.Previsión de demanda con alta cardinalidad.Estacionalidades, promociones y eventos.Estrategiascold-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 conOptuna, Ray Tuneo similares.Paralelización de entrenamiento y optimización de inferencia.xkdbapoOptimización de costes computacionales.

GCP / Vertex AI Experiencia sólida y demostrable conVertex AI. Vertex AI Pipelines, Model Registry y Workbench. Despliegue y gestión de modelos en producción. Experiencia avanzada conBigQuery: optimización de consultas, procesamiento distribuido y conectores externos. Python / Software Engineering Nivel avanzado dePython. 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 sobremillones de registros. Experiencia conLightGBM, XGBoost, CatBoosto 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 CIo similares. Automatización de despliegues y gestión de entornos ML. Data Engineering Construcción de pipelines de datos para entrenamiento e inferencia. Optimización de procesosETL/ELT. Gestión y procesamiento de grandes volúmenes de datos. Se valorará especialmente Experiencia enForecasting / Series Temporales. Previsión de demanda con alta cardinalidad. Estacionalidades, promociones y eventos. Estrategiascold-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 conOptuna, Ray Tuneo similares. Paralelización de entrenamiento y optimización de inferencia. xkdbapo Optimización de costes computacionales.