ML Engineer – Forecasting, Series Temporales y Optimización Matemática

TECDATA ENGINEERING; United States; Remote; USD 40.000 - 49.000; Vollzeit

Benefits dieser Stelle

100% remoto

Zusammenfassung

Tecdata busca un/a Ingeniero/a de ML para un proyecto estratégico con Santander, centrado en previsión de demanda y optimización de gestión de efectivo. Participarás en análisis, desarrollo y mejora de modelos de ML y su productivización, con foco en series temporales y técnicas de forecasting.

Se requiere experiencia en entrenamiento, evaluación y optimización de modelos, manejo de PySpark y entornos como Azure Databricks, además de buenas prácticas de MLOps y documentación técnica.

Qualifikationen

• Formación universitaria en áreas relacionadas con datos/lecciones de ML.
• 0

Aufgaben

• Analizar, desarrollar, entrenar y validar modelos de ML supervisado.

Kenntnisse

Python avanzado

SQL

PySpark

Git

Inglés técnico

Machine Learning

Forecasting

Optimización

Ausbildung

Ingeniería Informática/Mates/Física/Estadística o similar

Tools

Azure Databricks

Apache Spark

MLflow

Git CI/CD

Prophet

StatsForecast

MLForecast

Nixtla

Jobbeschreibung

ML Engineer – Forecasting, Series Temporales y Optimización Matemática

Ubicación: 100% remoto
Cliente: Santander
Salario: Hasta 40.000 € brutos anuales
Proyecto: Gestión de efectivo y previsión de demanda en el sector bancario.

Sobre el proyecto

Buscamos un/a Machine Learning Engineer para incorporarse a un proyecto estratégico en el sector bancario, orientado a la previsión de demanda y optimización de la gestión de efectivo.

La persona seleccionada participará en el análisis, desarrollo, validación y mejora de modelos de Machine Learning tradicionales, especialmente modelos de series temporales, forecasting y optimización matemática aplicados a problemas operativos y de negocio.

Se requiere una base sólida en modelización predictiva, entrenamiento y evaluación de modelos, así como conocimientos de optimización para mejorar la toma de decisiones. También participará en la adaptación y productivización de los modelos en entornos corporativos.

Responsabilidades principales

• Analizar, desarrollar, entrenar y validar modelos de Machine Learning supervisado.
• Trabajar con modelos de series temporales y forecasting para la previsión de demanda.
• Evaluar y comparar diferentes enfoques de modelización, analizando precisión, estabilidad y capacidad predictiva.
• Optimizar modelos de forecasting y proponer mejoras en los algoritmos y estrategias de entrenamiento.
• Trabajar con modelos de optimización matemática aplicados a la asignación de recursos, planificación y toma de decisiones operativas.
• Analizar problemas de optimización de denominaciones y gestión de efectivo.
• Evaluar la combinación de modelos predictivos con algoritmos de optimización y reglas de negocio.
• Participar en el diseño y mejora de procesos de entrenamiento, inferencia y reentrenamiento de modelos.
• Colaborar en la adaptación de modelos a entornos productivos mediante buenas prácticas de MLOps.
• Trabajar con plataformas analíticas y entornos distribuidos como Azure Databricks y PySpark.
• Documentar los modelos, experimentos, resultados y decisiones técnicas.

Requisitos imprescindibles

• Titulación universitaria en Ingeniería Informática, Matemáticas, Física, Estadística, Data Science o similar.
• Entre 2 y 5 años de experiencia en Machine Learning, Data Science o desarrollo de soluciones analíticas.
• Python avanzado aplicado a Machine Learning y modelización.
• Experiencia práctica en Machine Learning tradicional: entrenamiento, evaluación, validación y optimización de modelos.
• Conocimientos sólidos de series temporales, forecasting y previsión de demanda.
• Conocimientos aplicados de optimización matemática, programación matemática, heurísticas o investigación operativa.
• Experiencia con modelos supervisados y técnicas de evaluación de modelos.
• SQL para consulta, transformación y validación de datos.
• Conocimientos de PySpark / Apache Spark.
• Experiencia con Azure Databricks o plataformas equivalentes.
• Conocimientos de Git y metodologías de desarrollo colaborativo.
• Inglés técnico suficiente para trabajar con documentación y librerías especializadas.

Tecnologías y herramientas

Machine Learning y Forecasting:

• Python, Scikit-learn, LightGBM.
• Prophet, StatsForecast, MLForecast o Nixtla.
• Modelos de regresión y aprendizaje supervisado.
• Modelos de series temporales y previsión de demanda.

Optimización matemática:

• Programación matemática.
• Optimización de restricciones.
• Heurísticas y algoritmos de optimización.
• Investigación operativa y optimización de decisiones.

Entorno tecnológico:

• Python, SQL, PySpark y Apache Spark.
• Azure Databricks.
• MLflow.
• Git y herramientas CI/CD.

Se valorará

• Experiencia en banca, sector financiero, retail o entornos operativos.
• Experiencia en proyectos de previsión de demanda y planificación de recursos.
• Conocimientos de MLOps, versionado y monitorización de modelos.
• Experiencia migrando modelos desde notebooks a entornos productivos.
• Conocimientos de Azure y herramientas corporativas de gobierno de modelos.
• Experiencia con procesos batch de entrenamiento, predicción y optimización.
• Uso de herramientas de IA aplicadas al desarrollo, como GitHub Copilot.

Competencias personales

• Capacidad analítica y orientación a la resolución de problemas.
• Criterio técnico para evaluar y mejorar modelos.
• Autonomía y capacidad de aprendizaje.
• Comunicación con equipos técnicos y de negocio.
• Orientación a resultados y mejora continua.

Condiciones

• Salario: hasta 40.000 € brutos anuales.
• Modalidad: 100% remoto.
• Proyecto en el sector bancario con Santander.
• Participación en un proyecto de Machine Learning aplicado a previsión de demanda y optimización operativa.