¡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 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.

¿Cuáles serán tus funciones principales?
1. 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.

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 Lakehouse.
• 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.
• Proporcionar recomendaciones accionables basadas en análisis de datos

¿Cuáles son los requisitos?
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.

¿Qué ofrecemos?
• Bono de cumpleaños, fiestas patrias y navidad.
• Acceso a nuestro palco VIP en Movistar Arena como beneficio adicional de cumpleaños (contrato fijo).
• Seguro complementario de salud (contrato indefinido).
• Convenio colectivo FALP (contrato indefinido).
• Ambiente de apoyo y crecimiento.

Lugar de trabajo: Las Condes (Metro Manquehue).
Modalidad: Presencial.

Compromiso con la diversidad y la inclusión
En ProntoPaga promovemos un ambiente laboral diverso, equitativo e inclusivo, donde todas las personas son bienvenidas a postular sin distinción de género, orientación sexual, edad, nacionalidad, origen étnico, religión o discapacidad.

? Machine Learning Engineer (Santiago)
? ProntoPaga
? Santiago

📌 Machine Learning Engineer (Santiago)
🏢 Empresa líder
📍 Santiago