MLOps Engineer AWS

Formación: Título en Ingeniería Informática, Ciencias de la Computación, Ingeniería de Sistemas o campos afines. Se valorarán certificaciones oficiales en AWS (AWS Certified DevOps Engineer / AWS Certified Machine Learning Specialty). Experiencia: Mínimo 3 a 5 años de experiencia demostrable en roles de DevOps, MLOps o Arquitecto de Datos Cloud , participando activamente en la puesta en producción de modelos de machine learning e IA y la automatización de infraestructura en la nube. Experiencia práctica diseñando e integrando arquitecturas que consuman APIs, bases de datos masivas o lagos de datos bajo contratos estandarizados. Conocimiento base requerido AWS e Infraestructura como Código: Sólido conocimiento en el ecosistema de datos e IA de AWS (ej. SageMaker, EKS, ECS, S3, Lambda, AWS Glue), junto con herramientas de aprovisionamiento como Terraform o CloudFormation. Sistemas de Control y Despliegue CI/CD: Dominio avanzado de Git y plataformas Git (GitHub Actions, GitLab CI, AWS CodePipeline) para diseñar flujos de trabajo orientados al despliegue automático de microservicios y modelos Contratos y Arquitectura de Datos: Comprensión de esquemas de datos (JSON Schema, Avro, Protobuf), arquitecturas de bases de datos (SQL/NoSQL) , herramientas de orquestación de datos (Airflow) y flujos de streaming/batch. (Deseable) Programación y Frameworks de ML: Nivel intermedio/avanzado en Python y familiaridad con librerías de ML (TensorFlow, PyTorch, scikit-learn) para entender las necesidades de empaquetado del modelo. Habilidades necesarias Resolución de problemas complejos: Habilidad diagnóstica ágil ante incidentes críticos en producción (caídas de servicios AWS, fallos en flujos de Git o degradación en el rendimiento de los modelos). Pensamiento crítico y optimización: Creatividad para diseñar arquitecturas en la nube que balanceen velocidad de procesamiento, resiliencia y eficiencia de costos computacionales. Colaboración multidisciplinar: Capacidad de comunicarse eficazmente y actuar como facilitador técnico entre los Científicos de Datos (que crean el modelo), los Ingenieros de Datos (que proveen la información) y las células de desarrollo de software tradicionales. Aprendizaje continuo: Curiosidad y proactividad para incorporar nuevas tecnologías del ecosistema Cloud y MLOps que aceleran los ciclos de entrega de la empresa. Diseñar y optimizar la infraestructura de IA/ML: Gestionar los entornos de AWS para asegurar la alta disponibilidad y escalabilidad de los modelos en producción , afinando el uso de recursos computacionales y costos. Automatización de Despliegues (CI/CD): Implementar y mantener procesos de Git (GitOps/Webhooks) que gatillen automáticamente pruebas, construcción de artefactos y el despliegue de los distintos servicios solicitados en AWS. Gobierno y Contratos de Datos: Definir, validar e implementar contratos de datos claros entre los equipos de origen (Data Engineering) y destino (ML Models) para garantizar que los flujos de entrada cumplan estrictamente con las especificaciones técnicas antes de su consumo. Implementación de Prácticas MLOps: Automatizar los pipelines de entrenamiento y reentrenamiento continuo, e integrar el monitoreo de modelos en producción para detectar derivas (data drift) o bajas de precisión. Orquestación y Contenedores: Utilizar herramientas de contenedorización y orquestación para escalar los servicios de IA de manera eficiente y estructurar pipelines de datos complejos. Rigor en Ingeniería de Software: Promover buenas prácticas en el equipo, incluyendo código limpio, documentación exhaustiva de la arquitectura y versionamiento estricto tanto de código como de datos.