ML Platform Engineer - Production & MLOps Framework

Banco Falabella; Santiago; On-site; CLP 50,220,000 - 89,280,000; Full time

Job summary

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.

Qualifications

• 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

Responsibilities

• 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

Skills

Inglés avanzado

Ingeniería de ML

Arquitectura de ML

CI/CD

Escalabilidad

Tools

Vertex AI

Kubeflow

MLflow

Docker

Kubernetes

Job description

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.