Machine Learning Engineer

Descripción

¡Únete a nuestro equipo y forma parte de una empresa líder en su industria!

PROPÓSITO DEL CARGO

Profesional responsable de ejecutar, productivizar y mantener los modelos de Machine Learning del ecosistema fintech, alineándose con la estrategia del área e integrando competencias de Data Science y ML Engineering.

En su etapa inicial, el rol centrará su gestión en la revisión técnica, optimización y aseguramiento de calidad del código y metodología de los modelos predictivos existentes y en desarrollo (fraude, riesgo crediticio y churn), garantizando el cumplimiento de estándares productivos.

A partir de este diagnóstico, asumirá la implementación técnica de la disciplina de MLOps en el área, siendo responsable de construir pipelines automatizados de entrenamiento y despliegue, aplicar las políticas de versionado (modelos y datos), e implementar mecanismos de monitoreo continuo y detección de drift. El cargo reporta directamente al Head of Data & Analytics y coordina técnicamente con Producto, Riesgo y Compliance para el cumplimiento de requerimientos técnicos y del negocio.

RESPONSABILIDADES CLAVE Y RESULTADOS ESPERADOS:

- Desarrollar y productivizar modelos de Machine Learning:
- Trabajar sobre modelos existentes 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, CI/CD).
- Documentar métricas de performance (precision, recall, F1, AUC-ROC) y generar reportes reproducibles.
- 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.
- 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.
- 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 Lakehouse.
- Aplicar técnicas de feature engineering para mejorar performance de modelos.
- Trabajar con datos sensibles (financieros, personales) asegurando privacidad y compliance regulatorio.
- 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.
- Comunicar resultados y hallazgos a stakeholders:
- Presentar insights y resultados de modelos a audiencias técnicas y no técnicas.
- Proporcionar recomendaciones accionables basadas en análisis de datos.

Requerimientos

Formación Académica:
- 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 comprobable en despliegue de modelos en ambientes productivos (no solo experimentación en notebooks).
- Deseable: experiencia previa en entornos fintech, banca o industrias de datos críticos.

Conocimientos Técnicos

Obligatorios





- Python avanzado: para ML (scikit-learn, pandas, numpy) y código productivo (packaging, tests, linting).
- SQL: para extracción y manipulación de datos a escala.
- Experiencia en modelamiento de ML: clasificación, regresión, clustering, detección de anomalías.
- MLflow o equivalente: tracking de experimentos, model registry, artifact store.
- APIs de serving: FastAPI o Flask para exponer modelos como servicios REST.
- Docker y contenedores: construcción de imágenes, gestión de ambientes reproducibles.
- Git y CI/CD: control de versiones y automatización de pipelines de integración/despliegue.
- Inglés técnico: capacidad de leer papers, documentación y artículos en inglés (nivel intermedio-avanzado).

Deseables

- AWS: Preferentemente con experiencia práctica en deploy de modelos.
- Feature stores: Feast, Tecton o similares.
- Orquestación de pipelines: Kestra o similares.
- Monitoreo de modelos: Herramientas para detección de drift.
- Frameworks de deep learning: TensorFlow o PyTorch (no excluyente, valorado).
- Técnicas de explicabilidad: SHAP, LIME.

Competencias Clave

Técnicas

- Pensamiento ingenieril aplicado a ML: capacidad de construir soluciones robustas, no solo prototipos.
- Rigor metodológico: validar hipótesis, documentar experimentos y resultados de forma reproducible.
- Visión de sistema: entender cómo el modelo impacta al sistema completo, desde el dato hasta la decisión de negocio.
- Curiosidad técnica: leer papers, investigar nuevas herramientas y técnicas de MLOps.

Blandas

- Comunicación efectiva: explicar decisiones técnicas y trade-offs a audiencias no técnicas.
- Colaboración: trabajar estrechamente con Data Engineering, Producto, Riesgo y Compliance.
- Autonomía y proactividad: identificar oportunidades de mejora sin supervisión constante.
- Adaptabilidad: operar con comodidad en un ambiente de startup/fintech con prioridades cambiantes.
- Ownership: sentirse dueño/a del ciclo completo: desde el experimento hasta el modelo en producción.

Actitud

- Transparencia: comunicar abiertamente el estado de proyectos, bloqueos y aprendizajes.
- Pragmatismo: equilibrar calidad técnica con velocidad de entrega; iterar sobre soluciones.
- Ética profesional: compromiso con el uso responsable de datos y modelamiento justo.
- Mentalidad de aprendizaje: disposición a incorporar nuevas tecnologías y dominios de negocio.

📌 Machine Learning Engineer (Santiago)
🏢 Worldwide Payments Services
📍 Santiago