ML AI Engineer

🚀 ¡Estamos buscando ML / AI Engineer para Falabella! 🚀

¿Te apasiona la Inteligencia Artificial, el MLOps y las soluciones de IA Generativa? En Falabella buscamos un ML / AI Engineer que lidere la industrialización de modelos de Machine Learning y el desarrollo de arquitecturas avanzadas de IA sobre ecosistemas Google Cloud y Azure.

💡 ¿Cuál será tu misión?

Convertir modelos desarrollados por Data Science en soluciones escalables y productivas, construyendo pipelines de MLOps, sistemas de IA generativa, agentes autónomos y arquitecturas RAG que generen impacto en el negocio.

🔹 Responsabilidades principales

✅ Diseñar e implementar pipelines MLOps end-to-end utilizando Vertex AI Pipelines.

✅ Desplegar modelos en producción mediante Vertex AI Endpoints y/o Azure ML Endpoints con capacidades de autoscaling.

✅ Monitorear desempeño, drift y métricas de modelos, implementando ciclos de retraining automatizados.

✅ Desarrollar soluciones de IA Generativa, RAG y agentes inteligentes utilizando Vertex AI Agent Builder y Azure OpenAI.

✅ Integrar LLMs con motores de búsqueda vectorial y APIs de negocio.

✅ Garantizar buenas prácticas de seguridad, gobierno, optimización de costos y Responsible AI.

🎯 Requisitos

✔ Profesional en Ingeniería de Sistemas, Informática, Computación, Electrónica o carreras afines.

✔ Mínimo 4 años de experiencia en ML Engineering, MLOps o Ingeniería de IA.

✔ Experiencia desplegando modelos en Vertex AI o Azure ML en ambientes productivos.

✔ Conocimientos sólidos en MLOps, automatización de pipelines y despliegue de modelos a escala.

✔ Experiencia trabajando con Python y arquitecturas cloud.

🛠 Stack Tecnológico

GCP: Vertex AI (Pipelines, Training, Endpoints, Model Registry, Feature Store y Vector Search), Vertex AI Agent Builder.

Azure: Azure ML, Azure OpenAI Service, Azure AI Search y Azure AI Foundry.

GenAI: LangChain, LlamaIndex, Prompt Engineering, RAG, Fine-Tuning y Evals.

Modelos: Gemini, GPT-4o, Claude, Llama y Embeddings.

Lenguajes: Python (FastAPI, PyTorch, TensorFlow, Transformers) y SQL.

Infraestructura: Docker, Kubernetes (GKE/AKS) y Terraform.

DevOps: Git, GitHub Actions, GitHub Copilot y CI/CD para Machine Learning.