La arquitectura tecnológica se basa en AWS para las funciones de IA y el lago de datos, y en Snowflake para el almacén de datos. También se utilizan herramientas de transformación como DBT y herramientas de visualización como Tableau. Los datos están disponibles a través de herramientas de autoservicio como Amplitude, Google Analytics y ChartMogul.

Responsabilidades:

• Definir y desarrollar la infraestructura para permitir mejores capacidades de ML e IA, con un enfoque en sistemas basados en LLM y agentes.
  
• Contribuir al desarrollo y la expansión del marco de inteligencia artificial agente impulsado por AWS Bedrock, habilitando tanto herramientas internas como funciones orientadas al cliente.
  
• Identificar, obtener y refinar conjuntos de datos para permitir el ajuste de modelos, potenciar los procesos de recuperación o ampliar los flujos de trabajo de los agentes.
  
• Preprocesar datos mediante técnicas como limpieza de datos, ingeniería de características y transformación.
  
• Entrenar, evaluar e implementar sistemas basados en LLM y modelos de aprendizaje automático tradicionales en producción.
  
• Supervisar, depurar y mejorar continuamente los modelos implementados y las herramientas de IA.
  
• Apoyar el uso del aprendizaje automático en toda la empresa, incluida la selección del enfoque de modelado adecuado para el caso de uso (LLM frente a ML tradicional).
  

Requisitos:

• Más de 5 años de experiencia como científico de datos o ingeniero de aprendizaje automático.
  
• Experiencia trabajando con LLM, incluyendo ingeniería rápida, ajuste fino y generación aumentada por recuperación.
  
• Experiencia trabajando con agentes para Amazon Bedrock o configuraciones de orquestación de agentes similares.
  
• Comprensión de algoritmos de aprendizaje automático, métodos estadísticos y técnicas de preprocesamiento de datos.
• Experiencia con plataformas en la nube para entrenamiento e implementación de modelos, especialmente AWS.
  
• Competencia en Python, incluyendo experiencia con bibliotecas como Scikit-Learn, NumPy, Pandas y PyTorch/TensorFlow.
  
• Competencia en SQL y experiencia trabajando con almacenes de datos como Snowflake o GCP.
  
• Conocimiento de las mejores prácticas de MLOps, incluyendo canalizaciones CI/CD, monitoreo de modelos y control de versiones como MLflow o Airflow.
  
• Experiencia en la implementación de modelos en producción y soporte posterior a la implementación.