Data Scientist / IA Engineer

Requisitos

Formación

Título universitario en Ingeniería en Informática, Ingeniería en Computación, Ciencias de la Computación, Estadística, Matemáticas, Ingeniería Civil Industrial o carreras afines.

Conocimientos y/o experiencia

Experiencia Excluyente en las siguientes tecnologías:

• Python (Pandas, NumPy, scikit-learn)
• Frameworks de Deep Learning (TensorFlow, PyTorch, Keras)
• SQL y manejo de bases de datos relacionales y no relacionales. Ideal Postgresql.

Conocimientos Obligatorios: Modelamiento estadístico y machine learning supervisado/no supervisado. Limpieza, transformación y análisis exploratorio de datos (ETL/EDA). Gitlab. Experiencia en metodologías ágiles. JSON. Linux Nivel Medio. Consumo e integración de APIs.

Competencias y Habilidades:

• Pensamiento analítico y estadístico para extraer conclusiones a partir de los datos.
• Capacidad para traducir necesidades del negocio en problemas de datos y modelos.
• Trabajo en equipo y comunicación efectiva con áreas de negocio, Backend, QA y DevOps.
• Capacidad de aprendizaje y adaptación a nuevas técnicas, herramientas y tendencias en IA.
• Rigurosidad en la validación de modelos y la calidad de los datos.
• Conocimientos de metodologías ágiles con SCRUM (no excluyente).

Projects

En Lisit estamos buscando un Data Scients + Antecedentes Generales

Además, define las arquitecturas de datos y modelos, promueve buenas prácticas de MLOps y de gobierno de datos, y colabora estrechamente con equipos de Backend, Procesos, QA y DevOps para asegurar que las soluciones de IA sean escalables, mantenibles y estén alineadas con los objetivos estratégicos de la empresa.

Responsable de diseñar, desarrollar, entrenar y poner en producción modelos analíticos, predictivos y de inteligencia artificial que aporten valor al negocio logístico. Su principal objetivo es transformar los datos en información accionable y soluciones inteligentes que optimicen procesos como pronóstico de demanda, optimización de rutas, asignación de recursos, detección de anomalías y mejora de la experiencia del cliente.

Principales Funciones

Objetivos del Cargo

Responsable de diseñar, desarrollar, entrenar y poner en producción modelos analíticos, predictivos y de inteligencia artificial que aporten valor al negocio logístico. Su principal objetivo es transformar los datos en información accionable y soluciones inteligentes que optimicen procesos como pronóstico de demanda, optimización de rutas, asignación de recursos, detección de anomalías y mejora de la experiencia del cliente. Además, define las arquitecturas de datos y modelos, promueve buenas prácticas de MLOps y de gobierno de datos, y colabora estrechamente con equipos de Backend, Procesos, QA y DevOps para asegurar que las soluciones de IA sean escalables, mantenibles y estén alineadas con los objetivos estratégicos de la empresa.

• Recopilar, limpiar, transformar y analizar grandes volúmenes de datos provenientes de distintas fuentes del ecosistema logístico.
• Realizar análisis exploratorio de datos (EDA) e identificar patrones, tendencias y oportunidades de mejora.
• Diseñar, desarrollar, entrenar, validar y optimizar modelos de machine learning e inteligencia artificial.
• Desplegar modelos en producción y monitorear su rendimiento, asegurando su reentrenamiento y mejora continua (MLOps).
• Construir y exponer servicios y APIs para la integración de modelos con las aplicaciones del negocio.
• Colaborar con equipos de DevOps en la definición de pipelines de datos y de despliegue (CI/CD).
• Documentar metodologías, supuestos, decisiones técnicas y resultados de los modelos para facilitar la colaboración y trazabilidad.
• Comunicar hallazgos y recomendaciones a las áreas de negocio mediante visualizaciones y reportes claros.

Trayectoria Laboral / Conocimientos que suman puntos

Postgrados, diplomados o certificaciones en Ciencia de Datos, Machine Learning, Inteligencia Artificial o áreas relacionadas (opcional, pero valorado).

Deseable experiencia en proyectos de logística, transporte, optimización de rutas, pronóstico de demanda o detección de anomalías.

Conocimientos que suman puntos: MLOps (MLflow, Kubeflow, Airflow). Manejo de Contenedores (Docker, Kubernetes). LLMs e IA Generativa (LangChain, RAG, fine-tuning, prompt engineering). Automatización (N8N). Herramientas de visualización (Power BI, Tableau, Grafana). Big Data (Spark, Hadoop).