MLOps Engineer for Production ML & Observability

Cashea; Bogotá; Presencial; COP 120.000.000 - 240.000.000; Jornada completa

Descripción de la vacante

Cashea busca un Ingeniero de ML/MLOps para construir la infraestructura de Machine Learning que permita a Data Scientists desarrollar, desplegar y mantener modelos en producción con prácticas industriales. Se prioriza la creación de herramientas, SDKs y pipelines automatizados para reproducibilidad y gobernanza, con enfoque en self-service para equipos de ML.

La posición implica productización y mejora continua de modelos complejos (bayesianos, ensembles) siguiendo estándares enterprise, así

Formación

• 5+ años de experiencia en Ciencia de Datos, ML o MLOps.
• 2+ años trabajando con herramientas MLOps en producción (registry, tracking, model serving, Monitoring, Versioning).
• Experiencia construyendo SDKs/libraries Python para consumo interno.
• Experiencia con pipelines CI/CD (GitHub Actions, GitLab CI, Jenkins).
• Capacidad de entender modelos bayesianos y producirlos en producción con buenas prácticas.

Responsabilidades

• Realizar análisis de datos ad hoc y presentar hallazgos accionables.
• Implementar y mantener monitoreo y alertas sobre indicadores críticos.
• Desarrollar e implementar dashboards para métricas clave.
• Colaborar con el squad en diseño e implementación de soluciones analíticas.
• Traducir requerimientos en modelos de datos y transformaciones en data warehouse.
• Coordinar con Data Engineering y otros squads para asegurar calidad de datos.

Conocimientos

Autonomía/Ownership

Comunicación efectiva

Documentación técnica

Herramientas

MLflow

Python

Docker

Kubernetes

GitHub Actions

GitLab CI

Jenkins

REST APIs

GCP

AWS

Azure

Descripción del empleo

Cashea busca un Ingeniero de ML/MLOps para construir la infraestructura de Machine Learning que permita a Data Scientists desarrollar, desplegar y mantener modelos en producción con prácticas industriales. Se prioriza la creación de herramientas, SDKs y pipelines automatizados para reproducibilidad y gobernanza, con enfoque en self-service para equipos de ML.

La posición implica productización y mejora continua de modelos complejos (bayesianos, ensembles) siguiendo estándares enterprise, así