Sobre creai

en creai, nos especializamos en aprovechar el poder de la inteligencia artificial y el aprendizaje automático para transformar negocios. Nuestra misión es ayudar a los clientes a reducir costos, aumentar la eficiencia y desbloquear nuevas oportunidades mediante soluciones de ia de vanguardia.

descripción del puesto

como senior machine learning engineer, tu trabajo ya no es supervisar modelos uno por uno, sino diseñar, escalar y gobernar la práctica completa con la que el equipo dirige, valida y responde por los sistemas de ia que construye. Usarás tu juicio estratégico y tu dominio del negocio para decidir qué problemas ameritan una solución de ml, cuánto cuesta equivocarse en cada caso, y qué evidencia es suficiente antes de delegar un experimento completo a un agente o de exponer un modelo a un cliente.

serás responsable de que delegar sea seguro a escala, no solo en tus propios proyectos: diseñarás las plataformas, los contratos entre etapas y los límites explícitos de lo que un agente puede generar sin verificación humana, porque cuando experimentar cuesta minutos, el cuello de botella deja de ser la capacidad de construir y pasa a ser la capacidad de decidir qué construir y en qué confiar. Colaborarás con líderes de producto, data scientists y equipos de ingeniería para alinear estas decisiones con los objetivos estratégicos de creai, definiendo los estándares técnicos y las prácticas de supervisión de ia que el resto del equipo sigue.

este puesto exige

desarrollo de soluciones avanzadas: diseñar, desarrollar e implementar soluciones avanzadas de ml en ambientes productivos de alta disponibilidad y baja latencia. Esto incluye la selección de algoritmos apropiados, optimización de modelos y aseguramiento de la calidad del código.

diseñar plataformas de ml legibles para humanos y para agentes: pipelines modulares, contratos explícitos entre etapas, semántica documentada de forma ejecutable, entornos reproducibles. Una plataforma bien delimitada permite delegar experimentos completos; una improvisada obliga a que cada corrida pase por quien la construyó.

definir la línea entre lo que se delega y lo que no para su ámbito técnico, y hacerla explícita: qué experimentos pueden generarse y validarse automáticamente, qué decisiones de modelado exigen diseño humano previo, y qué casos de uso — de alto impacto, regulados o irreversibles — no admiten generación sin verificación formal.

liderazgo técnico: liderar iniciativas técnicas y proyectos de alto impacto que involucren múltiples equipos y dominios. Serás un referente técnico, proporcionando guía y dirección en la toma de decisiones clave.

arquitectura y estrategia: participar activamente en la definición de estrategias de datos,



incluyendo la identificación y selección de features relevantes, preprocesamiento de datos y diseño de arquitecturas de modelos eficientes y escalables.

colaboración estratégica: trabajar en conjunto con líderes de producto para entender las necesidades del negocio, con data scientists para la experimentación y validación de modelos, y con equipos de ingeniería para asegurar la integración y el despliegue exitoso, alineando siempre los desarrollos con objetivos estratégicos de la empresa.

mejora continua: evaluar y mejorar continuamente el stack de ml, las herramientas, los procesos y las prácticas de mlops para optimizar la eficiencia y la fiabilidad de las soluciones.

mentoría: mentorizar activamente a ingenieros junior y mid-level, compartiendo conocimiento profundo en ml y mlops, y fomentando las buenas prácticas de desarrollo y despliegue.

cultura de excelencia: promover una cultura de excelencia técnica, innovación y mejora continua dentro del equipo y en la organización.

liderazgo y mentoría: habilidades sólidas de liderazgo técnico, influencia y mentoría, capaces de inspirar y guiar a otros ingenieros.

comunicación estratégica: capacidad de comunicación efectiva y persuasiva con stakeholders técnicos y no técnicos, presentando ideas complejas de manera clara y concisa.

visión de negocio: enfoque estratégico y una mentalidad fuertemente orientada al negocio, entendiendo cómo las soluciones de ml impactan directamente en los objetivos de la empresa.

toma de decisiones: capacidad probada de toma de decisiones rápidas y efectivas, así como de resolución de problemas complejos y ambiguos en entornos dinámicos.

requisitos

formación académica: título universitario en ciencias de la computación, ingeniería, matemáticas, estadística o campos afines. Un posgrado (maestría o doctorado) en áreas relacionadas con machine learning o inteligencia artificial es un plus significativo.

experiencia cualificado: más de 5 años de experiencia comprobada en machine learning aplicado, con un enfoque particular en el diseño, desarrollo y despliegue de modelos en entornos de producción a gran escala

dominio de python: dominio avanzado de python, incluyendo su ecosistema de librerías para ml, y experiencia práctica con frameworks de deep learning como py torch y tensor flow,



así como librerías de machine learning tradicional como scikit-learn y xgboost.

cloud computing: experiencia sólida en plataformas de cloud computing (aws, gcp, azure), incluyendo el uso de servicios específicos para ml (ej. Sage maker, ai platform, azure ml) y conocimiento de sus arquitecturas.

diseño end-to-end: capacidad demostrada para diseñar y construir soluciones de ml de principio a fin, desde la ingesta y preprocesamiento de datos, entrenamiento y validación de modelos, hasta el despliegue, monitoreo y mantenimiento en producción.

mlops avanzado: conocimientos profundos y experiencia práctica en mlops, incluyendo el diseño e implementación de pipelines de ci/cd para ml, versionado de modelos y datos, monitoreo de rendimiento de modelos en producción y estrategias de rollback.

experiencia en liderazgo: experiencia liderando equipos técnicos, gestionando proyectos de ml o dirigiendo iniciativas técnicas complejas.

especialización técnica (valorado): experiencia con modelos generativos (ej. Llms, gans), procesamiento de lenguaje natural (nlp), visión por computador o análisis de series temporales, y sus aplicaciones prácticas.

ética y gobernanza (valorado): conocimientos en privacidad de datos, ética en ia, interpretabilidad de modelos (xai) y gobernanza de modelos, asegurando que las soluciones sean responsables y transparentes

comunidad y open source (valorado): participación activa en comunidades técnicas, contribuciones a proyectos open source, publicaciones en conferencias o blogs técnicos, o speaking en eventos de la industria.

herramientas mlops (valorado): experiencia práctica con herramientas específicas de mlops como mlflow, kubeflow, dvc, airflow o vertex ai, para la orquestación, gestión y seguimiento de experimentos y modelos.

uso de agentes de ia en trabajo productivo real de ml, con criterio demostrable sobre dónde aportan y dónde introducen riesgo sistémico.

beneficios

trabajo 100% remoto con horario alineado a cst.

pto ilimitado: confiamos en que gestionarás tu tiempo de manera efectiva.

presupuesto anual para desarrollo: acceso a cursos, certificaciones y conferencias.

presupuesto para equipamiento: configura tu espacio de trabajo remoto ideal.

beneficio de salud: acceso a cobertura médica privada o subsidios para seguro médico.

oportunidades de crecimiento: plan de carrera y mentoría con expertos en ia y tecnología.

ambiente de startup dinámico y flexible: autonomía para tomar decisiones y proponer ideas, con un enfoque en resultados en lugar de horas trabajadas.

balance vida-trabajo: cultura que prioriza la flexibilidad y el bienestar, permitiéndote gestionar tu tiempo sin sacrificar tu vida personal. #j-18808-ljbffr

📌 Senior machine learning engineer (Ciudad de México)
🏢 CreAI
📍 Ciudad de México