MLOps Engineer

Virtualent; Ciudad de México; Remote; MXN 900,000 - 1,500,000; Full time

Job summary

Virtualent busca un Ingeniero de Operaciones de ML para diseñar y operar la plataforma de ML, desde experimentos hasta producción. Trabajarás con pipelines de entrenamiento, despliegue y monitoreo, asegurando costos eficientes y cumplimiento de seguridad en flujos de ML.

Se requiere experiencia en ML en producción, Python avanzado y manejo de herramientas como Docker, Kubernetes y MLflow. Trabajo 100% remoto desde México, con coordinación con equipos en EE. UU.

Qualifications

• 5+ años en software/datos/DevOps y 2+ años operando modelos ML en producción.
• Python avanzado, Docker, Kubernetes, Terraform y al menos una plataforma ML cloud.
• MLflow o equivalente; Airflow, Prefect o Dagster.
• Experiencia con GPU, inferencia de LLM y observabilidad.
• Prometheus/Grafana, Evidently, Arize o similares.
• Comprensión sólida del ciclo de vida y métricas de evaluación de modelos.

Responsibilities

• Diseñar pipelines de entrenamiento, validación y despliegue con CI/CD/CT.
• Servir modelos e inferencia LLM a escala mediante APIs, batch o streaming.
• Implementar registro de modelos, versionado de datos/features, reproducibilidad y gobernanza.
• Monitorear deriva de datos/concepto, calidad, sesgos y costos; definir alertas y reentrenamiento.
• Construir herramientas de autoservicio para científicos de datos, incluyendo entornos y GPUs bajo demanda.
• Asegurar cumplimiento y seguridad de datos en flujos de ML, incluyendo PII, acceso y auditoría.

Skills

Python

Docker

Kubernetes

Terraform

MLflow

Airflow

Prefect

Dagster

Prometheus Grafana

LLM inference

GPU

Observabilidad

Tools

Kubeflow

SageMaker

Vertex AI

Arize

Evidently

Prometheus

Grafana

Terraform

Docker

Kubernetes

Job description

MLOps Engineer

Ingeniero de Operaciones de Machine Learning

100% Remoto|México|Inglés C1|(5+ años)

Construye y opera la plataforma que lleva modelos de Machine Learning e IA generativa desde el experimento hasta producción de forma reproducible, monitoreada, segura y eficiente en costos.

¿Qué harás?

• Diseñar pipelines de entrenamiento, validación y despliegue con CI/CD/CT.
• Servir modelos e inferencia LLM a escala mediante APIs, batch o streaming.
• Implementar registro de modelos, versionado de datos/features, reproducibilidad y gobernanza.
• Monitorear deriva de datos/concepto, calidad, sesgos y costos; definir alertas y reentrenamiento.
• Construir herramientas de autoservicio para científicos de datos, incluyendo entornos y GPUs bajo demanda.
• Asegurar cumplimiento y seguridad de datos en flujos de ML, incluyendo PII, acceso y auditoría.

Lo que buscamos

• 5+ años en software/datos/DevOps y 2+ años operando modelos ML en producción.
• Python avanzado, Docker, Kubernetes, Terraform y al menos una plataforma ML cloud.
• MLflow o equivalente; Airflow, Prefect o Dagster.
• Experiencia con GPU, inferencia de LLM y observabilidad.
• Prometheus/Grafana, Evidently, Arize o similares.
• Comprensión sólida del ciclo de vida y métricas de evaluación de modelos.

Será un plus si tienes

• AWS ML Specialty, Google Professional ML Engineer o CKA.
• Feature stores como Feast/Tecton, vector DBs y RAG en producción.
• Banca/salud y requisitos de explicabilidad/auditoría.
• Go o Rust para componentes de alto rendimiento.

Tecnologías y herramientas

Python Kubernetes Docker Terraform MLflow Kubeflow/SageMaker/Vertex AI Airflow vLLM/KServe Feast Prometheus/Grafana Evidently/Arize AWS/GCP/Azure

Inglés y comunicación

• Inglés C1 avanzado, validado durante el proceso de selección. Necesitamos comunicación fluida para reuniones, documentación técnica, diseño, negociación de prioridades y presentación de resultados con equipos de EE.UU.
• Español nativo. La documentación, tickets y comunicación oficial del proyecto serán principalmente en inglés.

Modalidad de trabajo

• Trabajo 100% remoto desde México; no se requiere reubicación.
• Traslape mínimo de 5 horas con horario Pacífico o Central de EE.UU. (por ejemplo, 9:00–14:00 PT).

¿Cómo se medirá tu éxito?

• Tiempo de modelo entrenado a producción inferior a 1 semana.
• Modelos en producción con monitoreo de deriva y plan de reentrenamiento.
• Costo de inferencia por mil solicitudes y disponibilidad de endpoints ≥99.9%.

¿Por qué esta oportunidad?

• Proyecto internacional con equipos distribuidos y exposición directa a prácticas y tecnologías utilizadas en el mercado de EE.UU.
• 100% remoto, con flexibilidad fuera y una ruta de crecimiento técnico.