Empleos de ciencias de la computación

Ingeniero de Machine Learning JuniorDescripción del puesto

Buscamos un Ingeniero de Machine Learning Junior para incorporarse a un equipo tecnológico dedicado al desarrollo, implementación y mejora de soluciones basadas en inteligencia artificial y aprendizaje automático. El profesional participará en proyectos orientados al análisis de datos, la construcción de modelos predictivos y la automatización de procesos mediante técnicas de machine learning.

Será responsable de colaborar en la preparación y transformación de conjuntos de datos, el entrenamiento y la evaluación de modelos, y la implementación de algoritmos que permitan identificar patrones, realizar predicciones y resolver problemas empresariales. Trabajará junto con ingenieros de datos, científicos de datos, desarrolladores de software y otros especialistas para transformar los requerimientos del negocio en soluciones técnicas eficientes y medibles.

El candidato ideal tendrá una sólida base en programación, estadística, matemáticas y análisis de datos, además de interés por investigar nuevas técnicas de inteligencia artificial. Se espera que demuestre capacidad de aprendizaje, pensamiento analítico, atención al detalle y disposición para trabajar en equipo, siguiendo buenas prácticas de desarrollo, documentación y validación de modelos.

Responsabilidades principales

• Colaborar en el diseño, desarrollo y evaluación de modelos de aprendizaje automático para resolver problemas de clasificación, regresión, agrupamiento y predicción.
• Recopilar, limpiar, transformar y preparar conjuntos de datos provenientes de distintas fuentes para su utilización en procesos de entrenamiento y evaluación.
• Realizar análisis exploratorio de datos para identificar tendencias, relaciones, valores atípicos y patrones relevantes.
• Implementar algoritmos de machine learning utilizando bibliotecas y frameworks especializados.
• Desarrollar prototipos de modelos predictivos bajo la supervisión de profesionales con mayor experiencia.
• Participar en la selección de variables y técnicas de ingeniería de características para mejorar el rendimiento de los modelos.
• Entrenar modelos con conjuntos de datos adecuados y ajustar sus parámetros para obtener resultados consistentes.
• Evaluar el desempeño de los modelos mediante métricas apropiadas, como precisión, recall, F1-score, MAE, RMSE y otras medidas relevantes según el problema.
• Comparar diferentes algoritmos y enfoques para determinar cuáles se adaptan mejor a los objetivos del proyecto.
• Identificar posibles problemas de sobreajuste, subajuste, desequilibrio de clases y calidad de datos.
• Colaborar en la implementación de procesos de validación cruzada y separación de conjuntos de entrenamiento, validación y prueba.
• Desarrollar scripts para automatizar tareas de preparación de datos, entrenamiento, evaluación y generación de resultados.
• Utilizar herramientas de visualización para comunicar patrones, resultados y métricas obtenidas durante los experimentos.
• Participar en la integración de modelos de machine learning con aplicaciones, API y servicios de software.
• Colaborar con ingenieros de datos para mejorar la disponibilidad, consistencia y calidad de los datos utilizados en los modelos.
• Documentar los experimentos realizados, los parámetros utilizados, las métricas obtenidas y las conclusiones de cada evaluación.
• Mantener un registro organizado de las versiones de los conjuntos de datos, modelos y configuraciones experimentales.
• Investigar nuevas técnicas, algoritmos y herramientas relacionadas con el aprendizaje automático y la inteligencia artificial.
• Participar en revisiones de código y aplicar buenas prácticas de programación, control de versiones y pruebas.
• Colaborar en la detección y resolución de errores durante el desarrollo y la ejecución de modelos.
• Contribuir a la mejora continua de los procesos de experimentación, entrenamiento y evaluación.
• Respetar los principios de privacidad, seguridad y uso responsable de los datos.
• Participar en reuniones técnicas para presentar avances, discutir resultados y definir las siguientes etapas de los proyectos.

Calificaciones y requisitos

• Título universitario o formación técnica en Ingeniería Informática, Ciencias de la Computación, Ingeniería en Sistemas, Ciencia de Datos, Matemáticas, Estadística o áreas relacionadas.
• Conocimientos fundamentales de programación en Python.
• Familiaridad con bibliotecas de análisis y manipulación de datos, como NumPy y pandas.
• Conocimientos básicos de machine learning y de los principales algoritmos de aprendizaje supervisado y no supervisado.
• Comprensión de conceptos estadísticos, probabilidad, álgebra lineal y fundamentos matemáticos aplicados al aprendizaje automático.
• Familiaridad con bibliotecas de visualización de datos, como Matplotlib y Seaborn.
• Conocimientos básicos de frameworks de machine learning, como scikit-learn.
• Comprensión de los procesos de preparación de datos, selección de características, entrenamiento, validación y evaluación de modelos.
• Capacidad para interpretar métricas de rendimiento y reconocer limitaciones en los resultados de los modelos.
• Conocimientos de SQL para consultar, filtrar y organizar información almacenada en bases de datos.
• Familiaridad con Jupyter Notebook o entornos similares para realizar experimentos y análisis.
• Manejo básico de Git y sistemas de control de versiones.
• Capacidad para limpiar datos, identificar valores faltantes y detectar inconsistencias en conjuntos de datos.
• Conocimientos introductorios de estructuras de datos, algoritmos y programación orientada a objetos.
• Familiaridad con los principios de reproducibilidad de experimentos y documentación técnica.
• Capacidad para leer documentación técnica en inglés y mantenerse actualizado sobre nuevas herramientas.
• Habilidades de pensamiento crítico, resolución de problemas y análisis cuantitativo.
• Disposición para aprender nuevas tecnologías y recibir orientación de profesionales experimentados.
• Capacidad para trabajar en equipo y comunicar resultados técnicos de manera clara.
• Compromiso con la calidad, la confidencialidad y el uso responsable de los datos.

Competencias técnicasProgramación y análisis de datos

• Manejo de Python para desarrollar scripts de análisis y automatización.
• Utilización de NumPy para operaciones numéricas y manipulación de matrices.
• Uso de pandas para limpiar, transformar y analizar conjuntos de datos.
• Aplicación de Matplotlib y otras herramientas para visualizar resultados.
• Consultas SQL para extraer y organizar información relevante.

Fundamentos de machine learning

• Comprensión de algoritmos de regresión lineal y logística.
• Conocimiento de árboles de decisión, bosques aleatorios y métodos basados en ensambles.
• Familiaridad con algoritmos de agrupamiento, como K-means.
• Comprensión de métodos de clasificación y evaluación de modelos.
• Conocimiento básico de reducción de dimensionalidad y selección de características.
• Familiaridad con técnicas de normalización, estandarización y tratamiento de valores faltantes.
• Comprensión de la diferencia entre aprendizaje supervisado y no supervisado.

Evaluación y experimentación

• Capacidad para dividir los datos en conjuntos de entrenamiento, validación y prueba.
• Conocimiento de validación cruzada y ajuste de hiperparámetros.
• Interpretación de matrices de confusión y métricas de clasificación.
• Evaluación de errores en modelos de regresión.
• Identificación de sobreajuste, subajuste y posibles sesgos en los datos.
• Documentación de experimentos y comparación de resultados.

Herramientas y entornos de desarrollo

• Manejo de Jupyter Notebook y entornos virtuales de Python.
• Familiaridad con Git y plataformas de colaboración de código.
• Conocimientos básicos de Linux y uso de la línea de comandos.
• Familiaridad con herramientas de seguimiento de experimentos, como MLflow.
• Conocimientos introductorios de servicios cloud para almacenamiento y procesamiento de datos.
• Disposición para aprender frameworks adicionales, como TensorFlow o PyTorch, según las necesidades del proyecto.

Competencias personales

• Pensamiento analítico y orientación a la resolución de problemas.
• Curiosidad científica e interés por la experimentación.
• Capacidad para aprender de manera continua y adaptarse a nuevas herramientas.
• Atención al detalle durante la preparación de datos y evaluación de modelos.
• Organización y capacidad para documentar procedimientos y resultados.
• Comunicación efectiva para explicar hallazgos y limitaciones.
• Trabajo colaborativo con profesionales de distintas áreas técnicas.
• Iniciativa para investigar alternativas y proponer mejoras.
• Paciencia y perseverancia al realizar experimentos y depurar errores.
• Responsabilidad en el manejo de información confidencial.
• Apertura a la retroalimentación y disposición para desarrollar nuevas competencias.

Formación complementaria y proyectos valorados

Se valorará la participación en proyectos académicos, personales o profesionales relacionados con ciencia de datos, inteligencia artificial y aprendizaje automático. También se considerarán cursos complementarios en Python, estadística aplicada, análisis de datos y desarrollo de modelos predictivos.

Se valorará especialmente la experiencia demostrable mediante proyectos que incluyan:

• Desarrollo de un modelo de clasificación o regresión con datos reales.
• Preparación y análisis exploratorio de conjuntos de datos.
• Comparación de distintos algoritmos y evaluación de sus resultados.
• Construcción de visualizaciones para comunicar conclusiones.
• Publicación de proyectos documentados en GitHub u otras plataformas de portafolio.
• Participación en competencias de ciencia de datos o iniciativas académicas de investigación.

No se requiere experiencia avanzada en producción, pero será importante demostrar fundamentos técnicos sólidos, capacidad de razonamiento y motivación para aprender.

Objetivo del puesto

El objetivo principal del Ingeniero de Machine Learning Junior es contribuir al desarrollo de soluciones inteligentes mediante la preparación de datos, la experimentación con algoritmos y la evaluación de modelos predictivos. A través de la colaboración con profesionales experimentados, el análisis riguroso de resultados y la aplicación de buenas prácticas de ingeniería, el profesional ayudará a transformar datos en información útil para la toma de decisiones y a construir soluciones de inteligencia artificial confiables, reproducibles y alineadas con los objetivos de cada proyecto.

Sueldo: $1.800.000,00 al mes

Lugar de trabajo: Empleo presencial