ML Engineer

Grupo TECDATA Engineering; Madrid; On-site; EUR 60,000 - 90,000; Full time

Job summary

Grupo TECDATA Engineering busca un profesional con experiencia en MLOps para desplegar modelos y optimizar pipelines en GCP, especialmente Vertex AI y Airflow. Se valorará experiencia en control de versiones, pruebas y código modular para producción.

El rol implica monitorizar rendimiento, gestionar incidencias y asegurar la disponibilidad de los servicios en la nube, con foco en pipelines de datos y modelos en entornos productivos.

Qualifications

• Experiencia avanzada desplegando modelos en GCP/Vertex AI pipelines.
• Optimización de código de Data Scientists para producción.
• Dominio de Python, pruebas, control de versiones y modularidad.
• Experiencia en diseño y optimización de pipelines de datos.
• Monitoreo de desempeño y alertas para modelos en producción.

Responsibilities

• Desplegar y mantener pipelines de datos y modelos en GCP.
• Optimizar pipelines y almacenamiento de datos (particionamiento, vistas materializadas, deltas).
• Supervisar rendimiento y alertas para detectar data drift.
• Atender incidencias de nivel 2 de proyectos.

Skills

Python

MLOps

Airflow

GCP

Vertex AI

Control-M

Data pipelines

Testing

Version control

Modular code

Tools

Airflow

Control-M

Vertex AI

GCP

Job description

• Despliegue en Entorno GCP: Experiencia avanzada desplegando modelos como procesos batch o servicios utilizando los servicios de Google Cloud Platform (especialmente Vertex AI pipelines, Airflow), asegurando la alta disponibilidad del servicio.
• MLOps: Optimizar el código de los Data Scientists para convertirlo en código productivo eficiente.
• Stack Tecnológico y Datos: Dominio avanzado de Python aplicando buenas prácticas de ingeniería de software (testing, control de versiones, modularidad). Experiencia en optimización de pipelines y almacenamiento de datos (particionamiento, vistas materializadas, deltas, etc.)
• Orquestación de Pipelines: Construcción, mantenimiento y optimización de flujos de trabajo automatizados complejos, Airflow y ControlM para programar las distintas etapas del ciclo de vida del dato y del modelo.
• Monitorización y Rendimiento: Implementar sistemas de alerta para monitorizar la salud de los modelos en producción (detectando data drift o degradación del rendimiento) y optimizar el consumo de recursos en la nube.
• Atender incidencias: Atender directamente las incidencias de 2N de los proyectos subidos a producción que se le hayan designado.