Machine Learning Engineer (MLOps & Optimization)

CAS Training; Spain; Remote; EUR 60,000 - 90,000; Full time

Job summary

CAS Training busca un Ingeniero/a de Machine Learning para liderar la implementación y operatividad de pipelines de entrenamiento e inferencia en un entorno bancario 100% remoto. El rol exige experiencia en ML Ops, sistemas de gestión de modelos y colaboración con equipos de datos y negocio.

Las tareas incluyen desplegar, mantener y escalar pipelines en Azure Databricks con PySpark, garantizar trazabilidad y monitorización, y trabajar en forecasting, optimización operativa y gobernanza de

Qualifications

• Experiencia en ML Ops y despliegue de modelos.
• Conocimiento de pipelines de entrenamiento e inferencia.
• Capacidad para trabajar con Azure Databricks y PySpark.

Responsibilities

• Despliegue, productivización y mantenimiento de pipelines de ML en Azure Databricks y PySpark, con trazabilidad y escalabilidad.
• Desarrollo y optimización de modelos de forecasting y series temporales.
• Integración de algoritmos de optimización para asignación de denominaciones de billetes.
• Implementación de flujos de registro, versionado y monitorización con MLflow y Delphi.
• Refactorización de notebooks a librerías modulares, con testing y logging.
• Configuración y mantenimiento de pipelines CI/CD (Jenkins, GitHub Actions, Git).
• Diagnóstico de incidencias productivas y planes de remediación.
• Colaboración con Data Engineering, Cloud, Data Science y negocio para SLAs y contratos de datos.

Skills

Python

ML pipelines

Databricks

PySpark

MLflow

CI/CD

Git

Jenkins

GitHub Actions

Tools

Azure Databricks

Git

GitHub Actions

Jenkins

PySpark

Job description

Buscamos a un Machine Learning Engineer para un proyecto en banca 100% remoto

Industrialización y MLOps: Despliegue, productivización y mantenimiento de pipelines de entrenamiento e inferencia batch para modelos de Machine Learning en Azure Databricks y PySpark, garantizando trazabilidad, reproducibilidad y escalabilidad.

Previsión de demanda (Forecasting): Análisis, refactorización y optimización de modelos de series temporales (StatsForecast, MLForecast, LightGBM, Prophet) para la predicción de demanda de efectivo a nivel de red y cajeros.

Modelado de optimización operativa: Integración y productivización de algoritmos de optimización matemática y heurísticas para la asignación eficiente de denominaciones de billetes, respetando restricciones logísticas y operativas de negocio.

Gobierno y ciclo de vida de modelos: Implementación de flujos de registro, versionado de artefactos, auditoría y monitorización de drift mediante MLflow y herramientas corporativas de gobierno (Delphi).

Migración y calidad de software: Refactorización de código exploratorio y notebooks a librerías modulares de Python, aplicando principios de testing unitario, control de excepciones, logging avanzado y tipado estático.

Automatización y CI/CD: Configuración y mantenimiento de pipelines de integración y entrega continua (Jenkins, GitHub Actions, Git) para automatizar el ciclo de vida del software y el despliegue de modelos.

Resolución de incidencias y soporte N3: Diagnóstico de fallos en ejecución productiva, análisis de causa raíz (root cause analysis) y ejecución de planes de remediación operativa.

Colaboración técnica multidisciplinar: Coordinación directa con equipos de Data Engineering, Plataforma Cloud, Data Science y Negocio para la definición de contratos de datos, SLAs y validación de casos de uso.

Documentación técnica y operativa: Redacción de manuales de arquitectura, procedimientos de relanzamiento y contingencia (runbooks), y análisis de viabilidad (trade-offs) entre coste de cómputo y rendimiento.