MLOps Engineer

Virtualent; Buenos Aires; Remoto; ARS 900.000 - 1.500.000; Tempo pieno

Vantaggi offerti da questo lavoro

null

Descrizione del lavoro

Virtualent busca un MLOps Engineer para diseñar y operar la plataforma de ML e IA generativa desde el experimento hasta producción, con foco en reproducibilidad, seguridad y costos.

El rol es 100% remoto desde Argentina, exige Inglés C1 y al menos 5 años en software/datos/DevOps con 2+ años manejando modelos ML en producción; se valora experiencia con pipelines, GPUs y herramientas como MLflow, Airflow, Dagster y Kubernetes.

Competenze

• 5+ años en software/datos/DevOps y 2+ años operando modelos ML en producción.
• Python avanzado, Docker, Kubernetes, Terraform y al menos una plataforma ML cloud.
• MLflow o equivalente; Airflow, Prefect o Dagster.
• Experiencia con GPU, inferencia de LLM y observabilidad.
• Prometheus/Grafana, Evidently y Arize u similares.
• Comprensión del ciclo de vida y métricas de evaluación de modelos.

Mansioni

• Diseñar pipelines de entrenamiento, validación y despliegue con CI/CD/CT.
• Servir modelos e inferencia LLM a escala mediante APIs, batch o streaming.
• Implementar registro de modelos, versionado de datos/features, reproducibilidad y gobernanza.
• Monitorear deriva de datos/concepto, calidad, sesgos y costos; definir alertas y reentrenamiento.
• Construir herramientas de autoservicio para científicos de datos, incluyendo entornos y GPUs bajo demanda.
• Proteger cumplimiento y seguridad de datos en flujos de ML, incluyendo PII, acceso y auditoría.

Conoscenze

ML DevOps

Python avanzado

Docker

Kubernetes

Terraform

ML Cloud Platform

Model governance

Data drift monitoring

Observability

CI/CD/CT pipelines

Strumenti

MLflow

Airflow

Prefect

Dagster

Kubeflow

SageMaker

Vertex AI

Prometheus Grafana

Evidently

Arize

Feast

Tecton

Descrizione del lavoro

MLOps Engineer

Ingeniero de Operaciones de Machine Learning

100% Remoto|Argentina|Inglés C1|(5+ años)

Construye y opera la plataforma que lleva modelos de Machine Learning e IA generativa desde el experimento hasta producción de forma reproducible, monitoreada, segura y eficiente en costos.

¿Qué harás?

• Diseñar pipelines de entrenamiento, validación y despliegue con CI/CD/CT.
• Servir modelos e inferencia LLM a escala mediante APIs, batch o streaming.
• Implementar registro de modelos, versionado de datos/features, reproducibilidad y gobernanza.
• Monitorear deriva de datos/concepto, calidad, sesgos y costos; definir alertas y reentrenamiento.
• Construir herramientas de autoservicio para científicos de datos, incluyendo entornos y GPUs bajo demanda.
• Asegurar cumplimiento y seguridad de datos en flujos de ML, incluyendo PII, acceso y auditoría.

Lo que buscamos

• 5+ años en software/datos/DevOps y 2+ años operando modelos ML en producción.
• Python avanzado, Docker, Kubernetes, Terraform y al menos una plataforma ML cloud.
• MLflow o equivalente; Airflow, Prefect o Dagster.
• Experiencia con GPU, inferencia de LLM y observabilidad.
• Prometheus/Grafana, Evidently, Arize o similares.
• Comprensión sólida del ciclo de vida y métricas de evaluación de modelos.

Será un plus si tienes

• AWS ML Specialty, Google Professional ML Engineer o CKA.
• Feature stores como Feast/Tecton, vector DBs y RAG en producción.
• Banca/salud y requisitos de explicabilidad/auditoría.
• Go o Rust para componentes de alto rendimiento.

Tecnologías y herramientas

Python, Kubernetes, Docker, Terraform, MLflow, Kubeflow/SageMaker/Vertex AI, Airflow, vLLM/KServe, Feast, Prometheus/Grafana, Evidently/Arize, AWS/GCP/Azure

Inglés y comunicación

• Inglés C1 avanzado, validado durante el proceso de selección. Necesitamos comunicación fluida para reuniones, documentación técnica, diseño, negociación de prioridades y presentación de resultados con equipos de EE.UU.
• Español nativo. La documentación, tickets y comunicación oficial del proyecto serán principalmente en inglés.

Modalidad de trabajo

• Trabajo 100% remoto desde Argentina; no se requiere reubicación.
• Traslape mínimo de 5 horas con horario Pacífico o Central de EE.UU. (por ejemplo, 9:00–14:00 PT).

¿Cómo se medirá tu éxito?

• Tiempo de modelo entrenado a producción inferior a 1 semana.
• Modelos en producción con monitoreo de deriva y plan de reentrenamiento.
• Costo de inferencia por mil solicitudes y disponibilidad de endpoints ≥99.9%.

¿Por qué esta oportunidad?

• Proyecto internacional con equipos distribuidos y exposición directa a prácticas y tecnologías utilizadas en el mercado de EE.UU.
• 100% remoto, con flexibilidad fuera y una ruta de crecimiento técnico.