Súmate a ProntoPaga En ProntoPaga, empresa que forma parte de Worldwide Payments (WWP) Services, holding tecnológico que impulsa el movimiento del dinero en Latinoamérica, desarrollamos soluciones de pago robustas, seguras y escalables para operar a nivel regional. Creemos en la colaboración entre equipos, el aprendizaje continuo y el talento sin fronteras. Buscamos personas curiosas y creativas, con ganas de crecer y asumir nuevos retos junto a un equipo multidisciplinario y comprometido. Si te motiva trabajar en un entorno vibrante, inclusivo y con impacto real… este es tu lugar Buscamos a un/a profesional con perfil mixto entre ML Engineer y Data Scientist, orientado a construir, productivizar y mantener modelos de Machine Learning en un ecosistema fintech en crecimiento. El rol parte con foco en el desarrollo y entrenamiento de modelos (fraude, riesgo crediticio, churn), evolucionando progresivamente hacia la operacionalización completa: deploy, monitoreo y mantención de modelos en producción. Se espera que la persona sea capaz de escribir código de calidad productiva desde el día uno, colaborar con el equipo de Data Engineering y, en el mediano plazo, liderar la disciplina de MLOps dentro del área: estableciendo pipelines automatizados, estándares de versionado y mecanismos de detección de drift. El cargo reporta al Head of Data & Analytics y trabaja en estrecha colaboración con Producto, Riesgo y Compliance. ¿Cuáles serán tus funciones principales? 1. Desarrollar y productivizar modelos de Machine Learning:

- Trabajar sobre modelos existentes (desarrollados por consultora externa) para internalizarlos, validarlos y refactorizarlos en código productivo.




- Diseñar e implementar modelos supervisados y no supervisados para detección de fraude, scoring crediticio, predicción de churn y segmentación.
- Transformar notebooks de experimentación en código modular, testeado y mantenible (Python packages, unit tests, CI/CD).
- Documentar métricas de performance (precision, recall, F1, AUC-ROC) y generar reportes reproducibles.

2. Construir y mantener pipelines de ML (MLOps):

- Diseñar pipelines end-to-end de entrenamiento, validación y re-entrenamiento automatizado de modelos.
- Implementar y gestionar registro de modelos con herramientas como MLflow o similar (versionado, tracking de experimentos, model registry).
- Configurar y operar infraestructura de serving de modelos: APIs REST (FastAPI), batch scoring o streaming según el caso de uso.
- Implementar mecanismos de monitoreo de modelos en producción: detección de drift de datos y concepto, alertas de degradación de performance.
- Asegurar reproducibilidad de experimentos y trazabilidad completa del ciclo de vida del modelo.

3. Deploy y operación de modelos en producción:

- Desplegar modelos en ambientes cloud (AWS: SageMaker, Lambda, ECR, S3) con estándares de seguridad y latencia adecuados.
- Integrar modelos con sistemas operacionales: detección de fraude en tiempo real, scoring en onboarding, alertas automáticas a Compliance.
- Gestionar actualizaciones,



rollbacks y pruebas A/B de modelos en producción.
- Colaborar con Data Engineering en la definición de feature stores y pipelines de datos para alimentar modelos en producción.

4. Preparar y validar datasets para modelamiento:

- Realizar análisis exploratorio de datos (EDA) para entender características, distribuciones y correlaciones.
- Limpiar, transformar y validar la calidad de datos provenientes del Data Lake.
- Aplicar técnicas de feature engineering para mejorar performance de modelos.
- Trabajar con datos sensibles (financieros, personales) asegurando privacidad y compliance regulatorio.

5. Establecer estándares y mejores prácticas de MLOps:
- Definir y documentar el proceso estándar de desarrollo y despliegue de modelos en el equipo.
- Proponer e implementar herramientas y plataformas que aceleren el ciclo de experimentación producción.
- Investigar soluciones de la industria fintech y mantenerse actualizado en técnicas de ML/AI y MLOps.

6. Comunicar resultados y hallazgos a stakeholders:

- Presentar insights y resultados de modelos a audiencias técnicas y no técnicas.
- Crear dashboards y reportes que faciliten la interpretación de scores y alertas.
- Proporcionar recomendaciones accionables basadas en análisis de datos.

¿Cuáles son los requisitos? Formación:

- Ingeniería Civil en Computación, Ingeniería en Informática, Ingeniería Civil Industrial con mención computacional, o carreras afines.
- Postgrado o certificaciones en Machine Learning, MLOps, Data Science o Cloud (Deseable).

Experiencia:

- 2 a 4 años de experiencia en roles de ML Engineer, Data Scientist con foco productivo, o similares.
- Experiencia comp

📌 Machine Learning Engineer (Santiago)
🏢 ProntoPaga
📍 Santiago