Objetivo del Puesto:
Buscamos un
MLOps Engineer
especializado en infraestructura y orquestación para liderar la automatización, escalabilidad y confiabilidad del ciclo de vida de nuestras soluciones de Machine Learning. Serás el puente entre los equipos de Data Science y Platform Engineering, construyendo la arquitectura necesaria para llevar modelos desde la fase de experimentación hasta un entorno de producción altamente disponible, confiable y monitoreado.
Responsabilidades Principales
Pipelines de ML y CI/CD/CT:
Diseñar, construir y mantener pipelines automatizados de entrenamiento, validación y despliegue continuo de modelos (
Continuous Training & Deployment
).
Implementar prácticas avanzadas de CI/CD adaptadas al ciclo de vida de Machine Learning utilizando GitHub Actions, GitLab CI o herramientas similares.
Infraestructura como Código (IaC) y Gestión Cloud:
Provisionar, escalar y mantener infraestructura en la nube (AWS/GCP/Azure) utilizando
Terraform
o
CloudFormation
.
Administrar clústeres de
Kubernetes
(EKS/GKE/AKS) optimizados para cargas de trabajo de IA/ML, gestionando el cómputo en CPU/GPU de forma eficiente.
Versionado de Artefactos:
Garantizar la trazabilidad y reproducibilidad total del ciclo de aprendizaje mediante el versionado de código, datos (
Data Versioning
) y modelos (usando herramientas como DVC, MLflow o similares).
Monitoreo, Observabilidad y Calidad:
Implementar sistemas de monitoreo en tiempo real para detectar
Data Drift
,
Concept Drift
y degradación del rendimiento de los modelos en producción.
Configurar alertas proactivas y tableros de métricas para garantizar SLAs operativos exigentes.
Gobernanza, Seguridad y Colaboración:
Integrar políticas de seguridad, gestión de identidades y accesos (IAM),



cifrado de datos y cumplimiento normativo en los pipelines.
Colaborar de cerca con Data Scientists, Data Engineers y Cloud/DevOps Engineers para definir estándares arquitectónicos y reducir el tiempo de salida al mercado (
Time-to-Market
).
Requisitos:
Técnicos (Obligatorios)
Experiencia:
3+ años en roles de MLOps, DevOps enfocado en Datos, o Cloud Infrastructure Engineer en entornos de producción.
Plataformas Cloud:
Dominio sólido en al menos una nube principal (
AWS, GCP o Azure
) y sus servicios administrados de datos/ML.
Orquestación y MLOps:
Experiencia práctica en
MLflow, Kubeflow, Apache Airflow, Prefect
o
Ray
.
Contenedores y Serverless:
Experiencia avanzada en
Docker
y orquestación con
Kubernetes
.
Infraestructura como Código:
Dominio de
Terraform
o
CloudFormation
.
Lenguajes de Programación:
Nivel avanzado de
Python
y manejo de scripts en Bash.
Bases de Datos y Datos:
Familiaridad con arquitecturas de datos (Feature Stores, Data Lakes) y consulta de bases de datos relacionales y NoSQL.
Deseables (Plus)
Certificación oficial en la nube (ej. AWS Certified Machine Learning / DevOps Engineer, GCP Professional ML Engineer).
Experiencia trabajando con
Feature Stores
(Feast, Hopsworks, Tecton).
Conocimiento en la optimización e inferencia de modelos de lenguaje masivos (
LLMs
) o arquitecturas Deep Learning.
Manejo de
KServe, Triton Inference Server
o
Ray Serve
para inferencias a baja latencia.
Habilidades Blandas
Mentalidad orientada a la automatización y la mejora continua.
Excelentes habilidades de comunicación técnica para traducir necesidades entre Data Science y Platform Operations.
Capacidad analítica y resolución de problemas bajo presión en entornos de producción.

📌 Mlops Engineer (Xico)
🏢 Acute-Talent
📍 Xico