ML / AI Engineer Senior Hibrido AMBA, ID #00232

Buscamos un Machine Learning / AI Engineer Senior con un sólido enfoque en MLOps y Python que también pueda desempeñarse como AI Engineer para soluciones de IA generativa. Será responsable registrar experimentos, métricas y modelos, construir pipelines reproducibles para entrenamiento, validación o inferencia asi tambien como mantener versiones de datos, artefactos y modelos, garantizando trazabilidad y colaboración.

Conocimientos requeridos
Lenguaje y frameworks de ML & Generative AI

• Python 3.xx (tipos, Pydantic, AsyncIO) con ecosistema científico (Pandas, NumPy,Polars).
• Frameworks de deep learning: PyTorch ≥2.x, TensorFlow 2.x/Keras, JAX/Flax.
• Frameworks de agentes y orquestación GenAI: LangChain, LangGraph,LlamaIndex, CrewAI, AutoGen.
  Plataforma MLOps & Experimentación
• Tracking y registro de modelos: MLflow Tracking + Model Registry
• Orquestación de pipelines: Kubeflow Pipelines, Argo Workflows, AWS, SageMaker Pipelines, Vertex AI Pipelines.
• Versionado de datos/artefactos: DVC, LakeFS.
  Observabilidad y monitoreo
• Métricas y trazabilidad: Prometheus, Grafana, OpenTelemetry.
• Calidad de datos/modelos: Evidently AI, WhyLabs.
  Vector DB, RAG & búsqueda semántica
• Bases vectoriales: Pinecone, Weaviate, Milvus, pgvector.
• Toolkits RAG: LangChain Retrievers, LlamaIndex integrations.
  Entorno Cloud & Serverless GenAI
• Servicios managed GenAI: AWS Bedrock, Azure OpenAI Service, Google Gemini, Anthropic Claude.
• Serverless/event‐driven: AWS Lambda, Google Cloud Functions, Cloud Run,Requisitos del perfil
• +5 años de experiencia en ML/AI engineering, con ≥2 años dedicados a MLOps en producción.
• Experiencia desplegando sistemas RAG a escala.
• Capacidad para liderar iniciativas técnicas y coordinar equipos multidisciplinarios.
• Residencia en Buenos Aires, Argentina o disponibilidad para esquema híbrido.
• Valorable experiencia en sector financiero o consultoría tecnológica B2B.

Responsabilidades clave

1. Diseñar y mantener pipelines de ML y LLMs (entrenamiento, fine‐tuning, inferencia,
   retraining).
2. Desplegar modelos ML en producción.
3. Implementar y gobernar vector stores y pipelines RAG para exponer capacidades
   de IA generativa sobre datos corporativos.
4. Colaborar en la operacion del equipo (estimaciones técnicas, demos y RFPs).
5. Liderar revisiones de arquitectura con foco en escalabilidad, resiliencia y
   compliance.
6. Investigar continuamente la evolución de la IA generativa para proponer
   innovaciones.