Machine Learning Engineer – Área Digital Business

Grafton S.A.C; Providencia; Presencial; CLP 39.060.000 - 61.380.000; Jornada completa

Descripción de la vacante

Grafton S.A.C en Chile busca un/a Machine Learning Engineer para integrarse a un equipo de Digital Business, con el objetivo de diseñar, desarrollar e implementar soluciones basadas en datos. Colaborarás con equipos multidisciplinarios para traducir necesidades del negocio en soluciones analíticas.

Deberás diseñar, desarrollar y desplegar modelos de ML y DL, trabajar con grandes volúmenes de datos y asegurar su calidad, además de implementar pipelines en entornos productivos (MLOps) y evaluar

Formación

• Diseñar y desplegar modelos de ML/DL para soluciones analíticas.
• Trabajar con grandes volúmenes de datos manteniendo calidad y transformación.
• Implementar pipelines de datos y modelos en entornos productivos mediante MLOps.

Responsabilidades

• Diseñar, desarrollar y desplegar modelos de Machine Learning y Deep Learning.
• Trabajar con grandes volúmenes de datos, asegurando su calidad, limpieza y transformación.
• Implementar pipelines de datos y modelos en entornos productivos (MLOps).
• Colaborar con equipos multidisciplinarios para traducir necesidades del negocio en soluciones analíticas.
• Evaluar y mejorar continuamente el rendimiento de los modelos.
• Documentar procesos, modelos y resultados.

Conocimientos

Machine Learning

Deep Learning

Data pipelines

Model evaluation

Herramientas

MLOps

Descripción del empleo

Estamos en búsqueda de un/a Machine Learning Engineer para integrarse a un equipo de Digital Business, con el objetivo de diseñar, desarrollar e implementar soluciones avanzadas basadas en datos que impulsen la eficiencia y la innovación en los procesos del negocio.

Principales responsabilidades:

• Diseñar, desarrollar y desplegar modelos de Machine Learning y Deep Learning.
• Trabajar con grandes volúmenes de datos, asegurando su calidad, limpieza y transformación.
• Implementar pipelines de datos y modelos en entornos productivos (MLOps).
• Colaborar con equipos multidisciplinarios para traducir necesidades del negocio en soluciones analíticas.
• Evaluar y mejorar continuamente el rendimiento de los modelos.
• Documentar procesos, modelos y resultados.