MLOps Engineer AWS

2Brains; Santiago; Presencial; CLP 9.000.000 - 15.000.000; Jornada completa

Descripción de la vacante

2Brains busca un Arquitecto de DevOps/MLOps para diseñar, construir y mantener la arquitectura automatizada en la nube de AWS para desplegar modelos de ML y servicios asociados. Servirá como puente técnico para automatizar el ciclo de vida del software e IA, asegurando consistencia mediante contratos de datos y flujos avanzados de CI/CD basados en Git.

El rol requiere 3–5 años de experiencia en DevOps/MLOps o arquitectura de datos en la nube, con sólida experiencia en AWS y herramientas de IaC.

Formación

• Formación en Ingeniería Informática, Ciencias de la Computación, Ingeniería de Sistemas u afines; certificaciones AWS valoradas.
• Experiencia mínima de 3–5 años en DevOps, MLOps o Data Cloud Architect, con puesta en producción de modelos ML.
• Conocimiento de APIs, lagos de datos y contratos de datos estandarizados.

Responsabilidades

• Diseñar y optimizar la infraestructura de IA/ML en AWS para alta disponibilidad y escalabilidad.
• Automatizar despliegues CI/CD y gestionar GitOps/Webhooks para despliegue de servicios en AWS.
• Definir y validar contratos de datos entre Data Engineering y ML Models.
• Automatizar pipelines de entrenamiento y monitoreo de modelos en producción.
• Orquestación y contenedores para escalar servicios de IA y estructurar pipelines de datos.
• Promover buenas prácticas de ingeniería de software y documentación de arquitectura.

Conocimientos

AWS & IaC

CI/CD GitOps

Data contracts

ML model deployment

Educación

Ingeniería Informática / Ciencias de la Computación / Ingeniería de Sistemas

Herramientas

SageMaker

EKS

ECS

S3

Lambda

AWS Glue

Terraform

CloudFormation

GitHub Actions

GitLab CI

AWS CodePipeline

Airflow

TensorFlow

PyTorch

scikit-learn

Descripción del empleo

Misión del rol

Diseñar, construir y mantener la arquitectura e infraestructura automatizada en la nube (AWS) para el despliegue eficiente, escalable y seguro de modelos de Machine Learning y servicios asociados. Actuar como el puente técnico que automatiza el ciclo de vida del software y de la IA, asegurando la consistencia mediante contratos de datos robustos y flujos avanzados de CI/CD basados en Git.

Misión del rol

Diseñar, construir y mantener la arquitectura e infraestructura automatizada en la nube (AWS) para el despliegue eficiente, escalable y seguro de modelos de Machine Learning y servicios asociados. Actuar como el puente técnico que automatiza el ciclo de vida del software y de la IA, asegurando la consistencia mediante contratos de datos robustos y flujos avanzados de CI/CD basados en Git.

Responsabilidades del rol

• Diseñar y optimizar la infraestructura de IA/ML: Gestionar los entornos de AWS para asegurar la alta disponibilidad y escalabilidad de los modelos en producción , afinando el uso de recursos computacionales y costos.


• Automatización de Despliegues (CI/CD): Implementar y mantener procesos de Git (GitOps/Webhooks) que gatillen automáticamente pruebas, construcción de artefactos y el despliegue de los distintos servicios solicitados en AWS.


• Gobierno y Contratos de Datos: Definir, validar e implementar contratos de datos claros entre los equipos de origen (Data Engineering) y destino (ML Models) para garantizar que los flujos de entrada cumplan estrictamente con las especificaciones técnicas antes de su consumo.


• Implementación de Prácticas MLOps: Automatizar los pipelines de entrenamiento y reentrenamiento continuo, e integrar el monitoreo de modelos en producción para detectar derivas (data drift) o bajas de precisión.


• Orquestación y Contenedores: Utilizar herramientas de contenedorización y orquestación para escalar los servicios de IA de manera eficiente y estructurar pipelines de datos complejos.


• Rigor en Ingeniería de Software: Promover buenas prácticas en el equipo, incluyendo código limpio, documentación exhaustiva de la arquitectura y versionamiento estricto tanto de código como de datos.

Formación y experiencia

Formación: Título en Ingeniería Informática, Ciencias de la Computación, Ingeniería de Sistemas o campos afines. Se valorarán certificaciones oficiales en AWS (AWS Certified DevOps Engineer / AWS Certified Machine Learning Specialty). Experiencia: Mínimo 3 a 5 años de experiencia demostrable en roles de DevOps, MLOps o Arquitecto de Datos Cloud , participando activamente en la puesta en producción de modelos de machine learning e IA y la automatización de infraestructura en la nube. Experiencia práctica diseñando e integrando arquitecturas que consuman APIs, bases de datos masivas o lagos de datos bajo contratos estandarizados.

Conocimiento base requerido

• AWS e Infraestructura como Código: Sólido conocimiento en el ecosistema de datos e IA de AWS (ej. SageMaker, EKS, ECS, S3, Lambda, AWS Glue), junto con herramientas de aprovisionamiento como Terraform o CloudFormation.


• Sistemas de Control y Despliegue CI/CD: Dominio avanzado de Git y plataformas Git (GitHub Actions, GitLab CI, AWS CodePipeline) para diseñar flujos de trabajo orientados al despliegue automático de microservicios y modelos


• Contratos y Arquitectura de Datos: Comprensión de esquemas de datos (JSON Schema, Avro, Protobuf), arquitecturas de bases de datos (SQL/NoSQL) , herramientas de orquestación de datos (Airflow) y flujos de streaming/batch. (Deseable)


• Programación y Frameworks de ML: Nivel intermedio/avanzado en Python y familiaridad con librerías de ML (TensorFlow, PyTorch, scikit-learn) para entender las necesidades de empaquetado del modelo.

Habilidades necesarias

• Resolución de problemas complejos: Habilidad diagnóstica ágil ante incidentes críticos en producción (caídas de servicios AWS, fallos en flujos de Git o degradación en el rendimiento de los modelos).


• Pensamiento crítico y optimización: Creatividad para diseñar arquitecturas en la nube que balanceen velocidad de procesamiento, resiliencia y eficiencia de costos computacionales.


• Colaboración multidisciplinar: Capacidad de comunicarse eficazmente y actuar como facilitador técnico entre los Científicos de Datos (que crean el modelo), los Ingenieros de Datos (que proveen la información) y las células de desarrollo de software tradicionales.


• Aprendizaje continuo: Curiosidad y proactividad para incorporar nuevas tecnologías del ecosistema Cloud y MLOps que aceleran los ciclos de entrega de la empresa.