Estados Unidos
MANTECH
Fetch
Ingeniero/a Senior de Operaciones de ML II - Monetización
RemotoEstados Unidos
United States
PythonSQLKubernetesGoTerraform
Traducción automática. Consulta el original.
SOBRE EL PUESTO
Fetch se basa en datos de compra reales compartidos por millones de usuarios que escanean sus recibos. La ciencia de datos convierte esa señal en modelos predictivos que generan inteligencia de usuario valiosa para nuestras partes interesadas y socios. Estos modelos necesitan una base operativa fiable para pasar con confianza de la fase de experimentación a la de producción y mejorar continuamente con el tiempo.
Como Ingeniero/a Senior de MLOps, serás responsable de los sistemas y prácticas que hacen que los modelos de Fetch estén listos para producción, sean observables, reproducibles y resilientes. Colaborarás estrechamente con los equipos de Ciencia de Datos e Ingeniería durante todo el ciclo de vida del modelo, incluyendo el entrenamiento, la validación, el despliegue, el control de versiones, la monitorización, el reentrenamiento y la retirada.
Este es un puesto de liderazgo técnico práctico. Construirás infraestructura reutilizable, establecerás estándares para la salud del modelo y la fiabilidad en producción, y crearás un centro de modelos compartido que haga accesibles el propósito, el estado, los resultados de evaluación, el historial de versiones y el rendimiento de cada modelo. Tu trabajo ayudará a los equipos a identificar problemas antes, mejorar los modelos más rápido y respaldar cada reclamación de producción con pruebas claras.
RESPONSABILIDADES DEL PUESTO
- Responsabilizarse del ciclo de vida completo del modelo, desde la experimentación hasta la validación, despliegue, control de versiones, reentrenamiento, reversión y retirada.
- Establecer criterios claros de promoción de modelos, procesos de lanzamiento y rutas de reversión que permitan a los equipos implementar mejoras con confianza.
- Construir la monitorización de la calidad de los datos, la deriva, la calidad de las predicciones, la fiabilidad del servicio, la latencia y el coste de la infraestructura.
- Colaborar con científicos de datos para definir señales de evaluación significativas tanto offline como en producción, incluyendo casos de uso con etiquetas de resultados retrasadas.
- Utilizar pruebas de producción para mejorar el rendimiento del modelo, la fiabilidad de la plataforma, la velocidad de despliegue y la eficiencia de la infraestructura.
- Construir pipelines de entrenamiento, evaluación y despliegue reutilizables que soporten múltiples modelos y enfoques de modelado.
- Desarrollar flujos de trabajo de orquestación fiables que cubran dependencias, programación, reintentos, rellenos de datos y recuperación ante fallos.
- Traducir los requisitos científicos en sistemas de producción mantenibles con interfaces claras, propiedad y expectativas operativas.
- Construir y mantener un centro de modelos accesible que conecte la documentación del modelo, los resultados de evaluación, el historial de versiones y la monitorización.
- Crear flujos de trabajo de CI/CD probados, entornos reproducibles, alertas accionables, procedimientos de respuesta a incidentes y manuales operativos.
- Definir las prioridades de MLOps en colaboración con Ciencia de Datos e Ingeniería, identificando riesgos antes de que se conviertan en problemas de producción.
- Establecer estándares de ingeniería reutilizables, mentorizar a compañeros de equipo y reducir la carga operativa que recae sobre los científicos de datos.
REQUISITOS MÍNIMOS
- 5+ años gestionando sistemas de ML en producción más allá del despliegue inicial, incluyendo monitorización, reentrenamiento, respuesta a incidentes y mejora continua.
- Sólidas habilidades de desarrollo de software en producción con Python y competencia en SQL.
- Experiencia práctica utilizando Spark para el procesamiento de datos distribuidos.
- Experiencia con un motor de orquestación de flujos de trabajo para programación, gestión de dependencias, reintentos, rellenos de datos y recuperación.
- Experiencia práctica en la construcción de infraestructura con Terraform.
- Experiencia en el despliegue y operación de cargas de trabajo en contenedores en producción sobre Kubernetes.
- Experiencia en la construcción de infraestructura reutilizable de entrenamiento, evaluación o despliegue utilizada por múltiples modelos, científicos o equipos.
- Experiencia en la implementación de control de versiones de modelos y conjuntos de datos, seguimiento de experimentos, linaje y lanzamientos reproducibles.
- Capacidad para distinguir fallos de servicio o infraestructura de cambios en la eficacia del modelo.
- Experiencia en la construcción de pipelines de CI/CD, monitorización, alertas, mecanismos de reversión y procedimientos de recuperación para sistemas de ML en producción.
- Capacidad demostrada para equilibrar la calidad del modelo, la velocidad de entrega, la fiabilidad y el coste de la infraestructura.
- Sólida comunicación interfuncional y experiencia colaborando con científicos de datos para preservar la validez científica a medida que los modelos pasan a producción.
- Capacidad para explicar un incidente de producción o un problema de degradación del modelo, cómo se detectó y qué mejoras se llevaron a cabo.
REQUISITOS PREFERENTES
- Experiencia en el desarrollo de servicios de plataforma, infraestructura o herramientas internas en Go.
- Experiencia en la construcción o gestión de un registro de modelos, un centro de modelos o un sistema similar utilizado por partes interesadas técnicas y no técnicas.
- Experiencia en el soporte de sistemas de ML donde las etiquetas de resultados se retrasan o la calidad del modelo no puede medirse inmediatamente.
- Historial de mejoras en la velocidad de despliegue, calidad del modelo, fiabilidad del sistema, coste de infraestructura o esfuerzo operativo manual.
- Experiencia en el diseño de infraestructura de ML configurable que soporte varios marcos o enfoques de modelado.
- Evidencia de que la infraestructura, los estándares o la documentación reutilizables fueron adoptados por múltiples equipos.
- Experiencia en la mentorización de ingenieros o científicos de datos e influencia en las prioridades técnicas en toda una cartera de ML.
- Experiencia trabajando en entornos con información sensible y diseñando documentación o monitorización en torno a límites de acceso adecuados.
Más oportunidades con un solo perfil
¿Quieres optar a más puestos sin repetir todo el proceso? Crea tu perfil para que te encuentren las empresas que usan Nort.
Crear mi perfil