(Aerolineas) Domain Specialist

Hay empresas que están cambiando el mundo, y detrás de ellas, hay equipos que necesitan ir más lejos, pensar distinto, moverse más rápido.

Ahí entramos nosotros.

En Acid Labs nos sumamos a los equipos tech de las empresas que están liderando el futuro digital en las industrias más desafiantes en Latinoamérica, con talento especializado que entiende la complejidad, respira colaboración y encuentra claridad donde otros ven ruido.

Y lo hacemos #RadicalmenteMejor

No trabajamos para nuestros clientes.

• Desde adentro.

• Trabajamos con ellos.

• Como parte de su ritmo.

• Como una extensión natural de su capacidad tecnológica.

Nos encontramos en búsqueda de un/a Domain Specialist.      

• Liderar reuniones de sincronización para intercambiar ideas y definir un backlog completamente alineado entre negocio y equipo digital, dejando owner por iniciativa.
• Construir el backlog E2E de Daños, incluyendo hipótesis, dependencias, riesgos y estrategia de datos (captura, etiquetado, calidad y permisos).
• Priorizar iniciativas según impacto en daños, reclamos y costos, y según factibilidad técnica y operacional.

• Ejecutar seguimiento operativo de avances, experimentos y releases, revisando métricas y ajustando el backlog según resultados.
• Incorporar retrospectivas globales para capturar aprendizajes y ajustar la estrategia.
• Gestionar bloqueos end-to-end (permisos, coordinación multi-equipos, despliegues productivos).
• Coordinar tareas mandatorias para llevar el modelo y la infraestructura a producción (por ejemplo, tablas silver/gold, roles y automatización de ingesta).
• Resolver el principal dolor operativo: no solo el modelo, sino la ingesta recurrente y automatizada de videos, incluyendo filtros para procesar únicamente videos con movimiento y optimizar costos.
• . Responsabilidades específicas del dominio (Daños) para Computer Vision
• Definir y gobernar el catálogo de casos de uso de CV para daños (manipulación, impactos, caídas, arrastre, compresión, cinta y puntos críticos).
• Asegurar la disponibilidad y calidad de datos: cámaras, ubicación, iluminación, almacenamiento, retención, permisos y coordinación operativa.
  En GRU, por ejemplo, se mencionan desafíos de coordinación y autorizaciones con múltiples equipos para cámaras.
• Definir y coordinar el etiquetado: taxonomía de daño/evento, severidad, criterios de “evidencia suficiente” y reglas de exclusión.
• Diseñar experimentos que conecten CV con outcomes de daños:
  • Medición inicial: “¿Cuántas maletas llegan dañadas al check-in?” como primer escalón de trazabilidad.
  • Correlación manipulación ↔ daño y cuantificación de value pool.
• Alinear iniciativas relacionadas (fraude de daños, trazabilidad y CV).
  En el funding se mencionan como frentes simultáneos a ordenar entre mandatorios y backlog.

• Backlog de Daños E2E alineado entre negocio y producto digital, con owner, criterios de aceptación y métricas por iniciativa.
• Plan de experimentación y tablero de seguimiento (avances, experimentos, releases y resultados).
• Mapa de dependencias y riesgos (operación, cámaras/datos, autorizaciones, integraciones).
• Storytelling de daños y reportes de aprendizaje de retrospectivas.
•  Stakeholders clave
• Operación de aeropuerto / baggage / seguridad / terminal.
• Producto digital y squads.
• Data, ML y MLOps.
• Áreas de reclamos, compensaciones y fraude.

• Experiencia liderando iniciativas cross-funcionales con fuerte componente operativo y digital (backlog, priorización, ejecución y medición).
• Conocimiento práctico del ciclo end-to-end de soluciones de Computer Vision.
• Capacidad de traducir problemas de daños en hipótesis, experimentos y métricas de éxito técnicas y de negocio.
• Habilidades de comunicación y gestión de stakeholders, incluyendo coordinación de permisos y operación.

• Experiencia con soluciones basadas en video (ingesta, streaming o batch, optimización de costos).
• Experiencia en análisis de value pool o business case para iniciativas de pérdidas o compensaciones.
• Conocimiento de riesgos de ML: drift, sesgos, escenarios extremos y variabilidad ambiental.

• Reducción de reclamos y compensaciones por daño (por aeropuerto y flujo).
• Tasa de detección y evidencia útil (precision/recall y porcentaje de casos accionables).
• Lead time desde hipótesis a experimento y decisión; throughput de experimentos.
• Cumplimiento del roadmap de iniciativas (desde hipótesis y journey hasta MVPs de CV y experimentos operacionales).