Ingeniero Machine Learning Sura

Postúlate y comienza a trabajar con proyectos que te van a permitir crecer en tu carrera profesional para empresas de gran impacto en Latam y EE.UU. 
Te garantizamos que fortalecerás tus conocimientos y habilidades, así como adquirir nuevos skills para tu futuro.

Te estamos buscando

Ingeniero de ML

Descripción

Somos BPT (Business Process & Technologies), una fábrica de datos, analítica y aplicaciones potenciadas con Inteligencia Artificial.

Desde 2014 transformamos organizaciones, articulando estratégicamente procesos, datos e inteligencia artificial para lograr mayor agilidad, eficiencia y precisión en la toma de decisiones.

Desarrollamos soluciones tecnológicas end to end en dos verticales de negocio:

Data & Analytics: decisiones precisas mediante analítica basada en datos gobernados y de calidad.

IA Apps: procesos digitales a la medida, potenciados con Inteligencia Artificial como ventaja competitiva.

Trabajamos bajo tres modelos de servicio:

BPT Managed POD: BPT gestiona el alcance, la calidad y la capacidad técnica de la solución, de acuerdo con el journey desarrollado con cada cliente.
Customer Managed POD (Staff Augmentation): el cliente integra talento especializado de BPT a su equipo y gestiona su trabajo de acuerdo con las necesidades del negocio.
Support & Maintenance POD: BPT dispone de equipos con capacidad fija para atender incidentes, eventos y mejoras menores.

MISIÓN DEL CARGO:

Diseñar, construir y mantener sistemas de Machine Learning productivos y escalables sobre el ecosistema Azure y Databricks, llevando modelos desde la experimentación hasta producción bajo estándares de ingeniería de software.

El rol actúa como puente entre los equipos de Ciencia de Datos y Plataforma/Infraestructura, garantizando que los modelos operen de forma confiable, gobernada, escalable y eficiente en costos.

FUNCIONES:

Desarrollar código Python estructurado, limpio, modular y reutilizable, aplicando programación orientada a objetos y buenas prácticas de ingeniería de software.
Transformar código de experimentación desarrollado en notebooks en soluciones productivas, modulares y empaquetadas mediante Python wheels o contenedores.
Entrenar y desarrollar modelos de Machine Learning y redes neuronales para resolver problemáticas reales de negocio.
Desarrollar soluciones de Computer Vision aplicadas a casos reales.
Preparar, transformar y gestionar datasets para entrenamiento, validación e inferencia.
Analizar diferentes problemáticas y definir la estrategia técnica más adecuada, combinando modelos de Machine Learning, reglas matemáticas y heurísticas cuando sea necesario.
Publicar y consumir modelos utilizando Databricks.
Diseñar, paralelizar y monitorear pipelines de datos y Machine Learning mediante Databricks Workflows/Jobs.
Configurar y optimizar clusters de Databricks para cargas de entrenamiento e inferencia eficientes.
Administrar soluciones de Machine Learning mediante Unity Catalog, incluyendo Model Registry, versionado, linaje de datos y gestión de permisos.
Configurar endpoints para el consumo de modelos en tiempo real y batch.
Implementar y gestionar soluciones de Machine Learning utilizando Azure Machine Learning.
Configurar y mantener pipelines de integración y despliegue continuo mediante Azure DevOps y/o GitHub Actions.
Automatizar procesos de empaquetado y despliegue de código.
Optimizar cargas de PySpark, particionamiento de datos y configuración de clusters para mejorar tiempos de ejecución y eficiencia computacional.
Monitorear modelos en producción, identificando data drift y degradación del desempeño, y definir criterios de reentrenamiento.
Utilizar MLflow para tracking de experimentos, versionado y registro de modelos.
Investigar y resolver errores relacionados con infraestructura, dependencias, rendimiento y ambientes cloud.
Traducir requerimientos de infraestructura hacia los equipos de Ciencia de Datos y contribuir a la definición de estándares técnicos.
Trabajar de manera transversal con Data Scientists, arquitectos, DevOps y equipos de Plataforma/Infraestructura.
Participar en la construcción y documentación de buenas prácticas y estándares de desarrollo.
Mantener una actualización constante sobre la evolución del ecosistema de datos, Cloud y Machine Learning.

Requerimientos

Arquitectura Azure y Databricks (núcleo — obligatorio)
Databricks: Workflows/Jobs, clusters (configuración y tuning), notebooks, Repos, Delta Lake y Delta Live Tables.
Unity Catalog: gestión avanzada de Model Registry, linaje de datos, permisos a nivel de catálogo/esquema/tabla y configuración de endpoints (real-time y batch).
Azure Machine Learning: registro y despliegue de modelos, pipelines de AML, endpoints administrados.
Almacenamiento y seguridad: Azure Data Lake Storage Gen2, Blob Storage, Azure Key Vault, gestión básica de redes (VNets, private endpoints).
CI/CD: Azure DevOps Pipelines y/o GitHub Actions para despliegue continuo y empaquetado automatizado.
MLflow: tracking de experimentos, versionado de modelos y registry.
PySpark: nivel intermedio/avanzado — optimización de tiempos de ejecución, particionamiento y manejo eficiente de clústeres.
Python: programación orientada a objetos, empaquetado (wheels), buenas prácticas de ingeniería de software.

SQL avanzado para transformación y validación de datos a gran escala.

Requisitos fundamentales: experiencia sólida en Python, Machine Learning, Computer Vision, Databricks y Azure, incluyendo el conocimiento de cómo publicar y consumir modelos en Databricks.

Habilidades transversales

Pensamiento sistémico: entender el modelo no como producto final, sino como un engranaje dentro de un sistema de software continuo.
Mindset de desarrollo guiado por especificación (SDD): capacidad de planificar y estructurar la solución técnica antes de escribir código, anticipando fallos de arquitectura.
Tolerancia a la frustración y resiliencia en debugging: capacidad de rastrear errores de infraestructura, dependencias y cuellos de botella en la nube, distintos a los errores de modelado.
Comunicación transversal: habilidad para dialogar con perfiles técnicos diversos (Data Scientists, arquitectos, DevOps) y negociar estándares sin generar fricciones.
Autonomía y resolución de problemas: iniciativa para investigar y resolver incidentes de producción con mínima supervisión.
Orientación a la calidad y al detalle: rigurosidad en pruebas, documentación y buenas prácticas de código.
Adaptabilidad: disposición a actualizarse frente a la evolución constante del ecosistema de datos y ML.
Trabajo colaborativo: disposición para el mentoring y la construcción conjunta de estándares con el equipo de Ciencia de Datos.

BENEFICIOS:
Contrato indefinido.
EPS / seguro de salud cubierto al 100%.
Seguro de vida.
Seguro exequial.
Proyectos tecnológicos con clientes de Latinoamérica.
Acceso a certificaciones y formación especializada.
Beneficios corporativos y convenios.
Programas de integración y reconocimiento.
Flexibilidad laboral.
Desarrollo profesional y certificaciones dentro del ecosistema de Data, Analytics, Cloud e Inteligencia Artificial.

Te contamos algunos de nuestros beneficios
Pensados para ti

Importante: El plan de beneficios varía de acuerdo al país donde te encuentres.