ML Platform Engineer - Production & MLOps Framework

Banco Falabella; Santiago; Presencial; CLP 50.220.000 - 89.280.000; Jornada completa

Descripción de la vacante

Sodimac busca un Machine Learning Engineer para diseñar, implementar y operar soluciones de ML en producción, enfocándose en la estandarización de MLOps y la construcción de plataformas que escalen modelos productivos.

Trabajarás con Data Scientists y equipos de negocio para habilitar modelos bajo estándares comunes, manteniendo pipelines de entrenamiento y serving en GCP, y promoviendo prácticas de ML a nivel de la organización.

Formación

• 2+ años de experiencia como MLE o rol equivalente en ML
• Dominio de inglés avanzado (escrito y hablado)
• Perfil técnico con foco en ingeniería, escalabilidad y estandarización
• Interés por construir plataformas y habilitadores de ML productivos
• Experiencia con Docker, Kubernetes y despliegue de modelos como servicios escalables
• Experiencia con Vertex AI, Kubeflow, MLflow o similares
• Stack GCP: BigQuery, Dataflow, Vertex AI, Cloud Run
• Python avanzado, SQL, Terraform para IaC

Responsabilidades

• Diseñar, implementar y operar soluciones de ML en producción
• Establecer y promover estándares de MLOps
• Llevar modelos de ML de exploración a producción end-to-end
• Industrializar prototipos de Data Science como servicios productivos
• Diseñar y mantener pipelines de entrenamiento, validación y serving en GCP
• Implementar prácticas de MLOps: versionado, drift y automatización
• Asegurar calidad, escalabilidad y observabilidad de ML en producción
• Colaborar con Data Scientists y equipos de negocio

Conocimientos

Inglés avanzado

Ingeniería de ML

Arquitectura de ML

CI/CD

Escalabilidad

Herramientas

Vertex AI

Kubeflow

MLflow

Docker

Kubernetes

Descripción del empleo

Sodimac busca un Machine Learning Engineer para diseñar, implementar y operar soluciones de ML en producción, enfocándose en la estandarización de MLOps y la construcción de plataformas que escalen modelos productivos.

Trabajarás con Data Scientists y equipos de negocio para habilitar modelos bajo estándares comunes, manteniendo pipelines de entrenamiento y serving en GCP, y promoviendo prácticas de ML a nivel de la organización.