Estados Unidos
B&A
Fetch
Ingeniero/a Senior de Operaciones de ML II - Plataforma de Anuncios
RemotoEstados Unidos
United States
PythonSQLKubernetesGoTerraform
Traducción automática. Consulta el original.
SOBRE EL PUESTO
Fetch está entrando en su era de IA primero, construyendo los sistemas inteligentes que impulsan la personalización, la relevancia y la clasificación en toda nuestra Plataforma de Anuncios. Estos sistemas ayudan a Fetch a ofrecer experiencias más relevantes, adaptables y de alto rendimiento para millones de usuarios, al tiempo que crean un valor medible para los anunciantes.
Como Ingeniero/a Senior de MLOps, serás responsable de la base operativa que lleva los modelos de clasificación y recomendación desde la experimentación hasta sistemas de producción fiables. Colaborarás con los equipos de Ciencia de Datos, Producto, Plataforma e Ingeniería a lo largo de todo el ciclo de vida del modelo, incluyendo el entrenamiento reproducible, la validación, el despliegue, el control de versiones, la monitorización, el reentrenamiento y la retirada.
Este es un puesto de liderazgo técnico práctico que opera en la intersección de la infraestructura de ML, la personalización y los sistemas distribuidos a gran escala. Construirás pipelines reutilizables, fortalecerás la observabilidad y los flujos de trabajo de aprendizaje en tiempo real, establecerás estándares de arquitectura y fiabilidad, y harás que la salud y el progreso del modelo sean accesibles a través de un centro de modelos compartido. Tu trabajo permitirá que la Plataforma de Anuncios de Fetch sea más inteligente, rápida y receptiva al comportamiento cambiante de los usuarios a lo largo del tiempo.
RESPONSABILIDADES DEL PUESTO
- Ser responsable del ciclo de vida completo del modelo, desde la experimentación hasta la validación, el despliegue, el control de versiones, el reentrenamiento, la reversión y la retirada.
- Establecer criterios claros de promoción de modelos, procesos de lanzamiento y rutas de reversión que permitan a los equipos implementar mejoras con confianza.
- Diseñar y construir pipelines escalables de datos de ML e ingeniería de características, incluyendo la generación de características, agregaciones históricas y la construcción de conjuntos de datos de entrenamiento, utilizando Spark/PySpark y tecnologías modernas de lakehouse como S3 y Apache Iceberg.
- Desarrollar pipelines de procesamiento de datos incrementales y fiables con soporte para la validación de la calidad de los datos, linaje, precisión en el punto temporal y consistencia de características entre entrenamiento y servicio.
- Construir la monitorización de la calidad de los datos, la deriva, la calidad de las predicciones, la fiabilidad del servicio, la latencia y el coste de la infraestructura.
- Colaborar con científicos de datos para definir señales de evaluación offline y de producción significativas, incluso para casos de uso con etiquetas de resultados retrasadas.
- Utilizar la evidencia de producción para mejorar el rendimiento del modelo, la fiabilidad de la plataforma, la velocidad de despliegue y la eficiencia de la infraestructura.
- Construir pipelines reutilizables de entrenamiento, evaluación y despliegue que soporten múltiples modelos y enfoques de modelado.
- Desarrollar flujos de trabajo de orquestación fiables que cubran dependencias, programación, reintentos, rellenos y recuperación ante fallos.
- Traducir los requisitos científicos en sistemas de producción mantenibles con interfaces claras, propiedad y expectativas operativas.
- Construir y mantener un centro de modelos accesible que conecte la documentación del modelo, los resultados de la evaluación, el historial de lanzamientos, el control de versiones y la monitorización.
- Crear flujos de trabajo de CI/CD probados, entornos reproducibles, alertas accionables, procedimientos de respuesta a incidentes y manuales operativos.
- Definir las prioridades de MLOps en colaboración con Ciencia de Datos e Ingeniería, identificando los riesgos antes de que se conviertan en problemas de producción.
- Establecer estándares de ingeniería reutilizables, mentorizar a compañeros de equipo y reducir la carga operativa que recae sobre los científicos de datos.
REQUISITOS MÍNIMOS
- 5+ años de experiencia construyendo y operando sistemas de ML en producción más allá del despliegue inicial, incluyendo monitorización, reentrenamiento, respuesta a incidentes y mejora continua.
- Sólidas habilidades de desarrollo de software en producción en Python y competencia con SQL.
- Experiencia práctica con Spark/PySpark para el procesamiento de datos distribuidos a gran escala, incluyendo ingeniería de características, agregaciones históricas, procesamiento incremental y construcción de conjuntos de datos de entrenamiento.
- Experiencia con arquitecturas modernas de data lake o lakehouse, incluyendo S3, Apache Iceberg o tecnologías equivalentes.
- Experiencia con un motor de orquestación de flujos de trabajo para la programación, gestión de dependencias, reintentos, rellenos y recuperación.
- Experiencia práctica en la construcción de infraestructura con Terraform.
- Experiencia en el despliegue y operación de cargas de trabajo en producción contenerizadas en Kubernetes.
- Experiencia en la construcción de infraestructura reutilizable de entrenamiento, evaluación o despliegue utilizada por múltiples modelos, científicos o equipos.
- Experiencia en la implementación de control de versiones de modelos y conjuntos de datos, seguimiento de experimentos, linaje y lanzamientos reproducibles.
- Capacidad para distinguir fallos de servicio o infraestructura de cambios en la eficacia del modelo.
- Experiencia en la construcción de pipelines de CI/CD, monitorización, alertas, mecanismos de reversión y procedimientos de recuperación para sistemas de ML en producción.
- Capacidad demostrada para equilibrar la calidad del modelo, la velocidad de entrega, la fiabilidad y el coste de la infraestructura.
- Sólida comunicación interfuncional y experiencia colaborando con científicos de datos para preservar la validez científica a medida que los modelos pasan a producción.
- Capacidad para explicar un incidente de producción o un problema de degradación del modelo, cómo se detectó y qué mejoras se llevaron a cabo posteriormente.
REQUISITOS PREFERENTES
- Experiencia en el desarrollo de servicios de plataforma, infraestructura o herramientas internas en Go.
- Experiencia en la construcción o gestión de un registro de modelos, un centro de modelos o un sistema similar utilizado por partes interesadas técnicas y no técnicas.
- Experiencia en el soporte de sistemas de ML donde las etiquetas de resultados están retrasadas o la calidad del modelo no puede medirse inmediatamente.
- Historial de mejoras en la velocidad de despliegue, la calidad del modelo, la fiabilidad del sistema, el coste de la infraestructura o el esfuerzo operativo manual.
- Experiencia en el diseño de infraestructura de ML configurable que soporte varios marcos o enfoques de modelado.
- Evidencia de que la infraestructura, los estándares o la documentación reutilizables fueron adoptados por múltiples equipos.
- Experiencia en la mentorización de ingenieros o científicos de datos e influencia en las prioridades técnicas en toda una cartera de ML.
- Experiencia trabajando en entornos con información sensible y diseñando documentación o monitorización en torno a límites de acceso adecuados.
Más oportunidades con un solo perfil
¿Quieres optar a más puestos sin repetir todo el proceso? Crea tu perfil para que te encuentren las empresas que usan Nort.
Crear mi perfil