(Retail) AI Engineer

• Trabajamos con ellos.
• Desde adentro.
• Como parte de su ritmo.
• Como una extensión natural de su capacidad tecnológica.

¡Buscamos AI Engineers!

Misión del rol

Diseñar, desarrollar y desplegar soluciones de IA que resuelvan problemas del mundo real, convirtiendo modelos teóricos de inteligencia artificial en sistemas prácticos y escalables para la organización

Implementar modelos de machine learning: construir, entrenar y validar modelos de aprendizaje automático (incluyendo aprendizaje profundo) que permitan a la empresa aprovechar predicciones y automatizaciones avanzadas

Integrar estos modelos en los procesos o productos de la empresa, optimizando su rendimiento e infraestructura para entornos de producción (p. ej. en la nube) y garantizando que aporten valor continuo al negocio

Formación y experiencia

• Formación: Título en Ingeniería Informática, Ciencias de la Computación, Matemáticas o campos relacionados; idealmente con Máster en Inteligencia Artificial, Ciencia de Datos o Aprendizaje Automático.

• Experiencia: Varios años desarrollando proyectos de ML/IA (por ejemplo como ML Engineer o Data Scientist), con experiencia práctica en construcción de modelos de IA y su puesta en producción.

• (Deseable) Certificaciones profesionales en IA (p. ej. IBM AI Engineering, Azure AI Engineer Associate) y participación en proyectos complejos de IA (visión artificial, NLP, etc.).

• Familiaridad con entornos de desarrollo de software completos (ciclo de vida del software, control de versiones) y despliegue de aplicaciones en la nube.

Responsabilidades del rol

• Desarrollar modelos de ML: Diseñar la arquitectura de modelos (ej. redes neuronales profundas), preparar conjuntos de entrenamiento masivos, entrenar y ajustar modelos usando técnicas de optimización, y validar su precisión con datos de prueba.

• Implementar soluciones inteligentes: Integrar modelos entrenados en aplicaciones o sistemas existentes (por ejemplo, incorporando un modelo de predicción en una app web) y optimizar su ejecución para que sean eficientes y escalables en producción.

• Preparar y procesar datos: Colaborar en la recopilación y limpieza de grandes volúmenes de datos necesarios para IA, desarrollando pipelines de datos específicos para entrenamiento y reentrenamiento continuo de modelos.

• Monitorizar y mejorar modelos: Una vez desplegados, hacer seguimiento del rendimiento de los modelos de IA, estableciendo métricas de éxito, detectando derivas o disminución de precisión, y reentrenando o ajustando los algoritmos para mantener su eficacia a lo largo del tiempo-

• Optimizar infraestructura de IA: Gestionar los entornos cloud para asegurar la escalabilidad, afinar el uso de recursos computacionales y costos, e implementar prácticas de ingeniería (cacheo, paralelización) que mejoren la velocidad de los sistemas de IA.

Conocimiento base requerido

• Programación y frameworks de IA: Dominio de Python (y a menudo R o Java) y de librerías/entornos como TensorFlow, PyTorch, scikit-learn para crear y entrenar modelos de machine learning y redes neuronales

• (Deseable) Ciencia de datos y matemáticas: Sólidos fundamentos en algoritmos de ML, estadística, álgebra lineal y optimización; comprensión de técnicas de aprendizaje supervisado, no supervisado, por refuerzo, etc., y sus casos de uso

• (Deseable) Gestión de datos y big data: Conocimiento de cómo preparar grandes volúmenes de datos para IA, incluyendo manipulación de datos (Pandas, SQL), gestión de datos no estructurados y uso de plataformas big data (Spark, Hadoop) para entrenamiento escalable

• (Deseable) Infraestructura y MLOps: Experiencia con computación en la nube (AWS, GCP, Azure) para entrenar/desplegar modelos; uso de contenedores (Docker, Kubernetes) para escalar servicios de IA; prácticas de MLOps como automatización de entrenamientos, monitoreo de modelos en producción

Habilidades necesarias

• Pensamiento crítico y solución de problemas: Creatividad para diseñar soluciones de IA novedosas, elegir los algoritmos adecuados y ajustar modelos para optimizar su rendimiento.

• Aprendizaje continuo: mantenerse actualizado en avances de IA (nuevas arquitecturas, IA generativa, etc.) mediante lectura de investigaciones, cursos y experimentación, dada la rápida evolución del campo

• Colaboración multidisciplinar: Trabajar con equipos de desarrollo de software, científicos de datos y expertos de dominio; comunicar requisitos técnicos y resultados de manera comprensible a stakeholders no técnicos.

• Rigor en ingeniería de software: Habilidades para escribir código limpio y eficiente, documentar adecuadamente, y seguir buenas prácticas de control de versiones y pruebas, asegurando confiabilidad en las soluciones de IA desplegadas.

¡Los beneficios empresariales dependerán del lugar de LATAM donde te encuentres!