MLOps Engineer

Acute Talent; México; Presencial; MXN 600.000 - 1.000.000; Jornada completa

Descripción de la vacante

Acute Talent busca un Ingeniero MLOps especializado en infraestructura y orquestación para liderar la automatización y escalabilidad del ciclo de vida de soluciones de ML. Serás puente entre Data Science y Platform Engineering para llevar modelos a producción confiables y monitoreados.

Desarrollarás pipelines de entrenamiento y despliegue, usarás IaC (Terraform/CloudFormation) y gestionarás clústeres Kubernetes (EKS/GKE/AKS) para IA/ML, asegurando trazabilidad con DVC/MLflow.

Formación

• Capacidad de trabajar en equipo con Data Science y Platform Engineering.
• Habilidad para diseñar e implementar pipelines de ML y CI/CD.
• Conocimiento de IaC y gestión de clústeres en la nube (AWS/GCP/Azure).

Responsabilidades

• Diseñar, construir y mantener pipelines automatizados de entrenamiento, validación y despliegue continuo de modelos (CT/CI).
• Implementar prácticas de CI/CD para ML en GitHub Actions, GitLab CI u herramientas similares.
• Provisionar, escalar y mantener infraestructura en la nube y gestionar clústeres de Kubernetes optimizados para IA/ML.

Conocimientos

Colaboración cross-functional

Comunicación efectiva

Adaptabilidad

Herramientas

GitHub Actions

GitLab CI

Terraform

CloudFormation

Kubernetes (EKS/GKE/AKS)

Descripción del empleo

Objetivo del Puesto:

Buscamos un MLOps Engineer especializado en infraestructura y orquestación para liderar la automatización, escalabilidad y confiabilidad del ciclo de vida de nuestras soluciones de Machine Learning. Serás el puente entre los equipos de Data Science y Platform Engineering, construyendo la arquitectura necesaria para llevar modelos desde la fase de experimentación hasta un entorno de producción altamente disponible, seguro y monitoreado.

Responsabilidades Principales

• Pipelines de ML y CI/CD/CT:
• Diseñar, construir y mantener pipelines automatizados de entrenamiento, validación y despliegue continuo de modelos (Continuous Training & Deployment).
• Implementar prácticas avanzadas de CI/CD adaptadas al ciclo de vida de Machine Learning utilizando GitHub Actions, GitLab CI o herramientas similares.
• Infraestructura como Código (IaC) y Gestión Cloud:
• Provisionar, escalar y mantener infraestructura en la nube (AWS/GCP/Azure) utilizando Terraform o CloudFormation.
• Administrar clústeres de Kubernetes (EKS/GKE/AKS) optimizados para cargas de trabajo de IA/ML, gestionando el cómputo en CPU/GPU de forma eficiente.
• Versionado de Artefactos:
• Garantizar la trazabilidad y reproducibilidad total del ciclo de aprendizaje mediante el versionado de código, datos (Data Versioning) y modelos (usando herramientas como DVC, MLflow o similares).
• Monitoreo, Observabilidad y Calidad:
• Implementar sistemas de monitoreo en tiempo real para detectar Data Drift, Concept Drift y degradación del rendimiento de los modelos en producción.
• Configurar alertas proactivas y tableros de métricas para garantizar SLAs operativos exigentes.
• Gobernanza, Seguridad y Colaboración:
• Integrar políticas de seguridad, gestión de identidades y accesos (IAM), cifrado de datos y cumplimiento normativo en los pipelines.
• Colaborar de cerca con Data Scientists, Data Engineers y Cloud/DevOps Engineers para definir estándares arquitectónicos y reducir el tiempo de salida al mercado (Time-to-Market).