Somos BPT (Business Process & Technologies), una fábrica de datos, analítica y aplicaciones potenciadas con IA. Desde 2014 transformamos organizaciones, articulando estratégicamente procesos, datos e inteligencia artificial para lograr agilidad, eficiencia y toma de decisiones precisa.
Ofrecemos soluciones tecnológicas end to end, desarrolladas bajo nuestro marco de trabajo, para identificar las necesidades corporativas, acompañando la transformación de las organizaciones en dos verticales de negocio:
Data & Analytics: Decisiones precisas con analítica de datos gobernados y de calidad.
IA Apps: Procesos digitales a tu medida, potenciados con inteligencia artificial como ventaja competitiva.
Entregados bajo tres modelos de servicio
BPT Managed POD: BPT Gestiona el alcance, calidad y capacidad técnica de la solución, de acuerdo al Journey desarrollado con cada cliente.
Customer Managed POD (Staff Augmentation): el cliente integra talento especializado BPT a su equipo y se encarga de su gestión, de acuerdo a la necesidad de cada negocio.
Support and maintenance POD: BPT dispone un equipo con capacidad fija, para atención de incidentes, eventos y mejoras menores de acuerdo con la estimación de la capacidad y la gestión de incidentes y eventos.
MISIÓN DEL CARGO:
Diseñar, construir y mantener sistemas de Machine Learning productivos y escalables sobre el ecosistema Azure y Databricks, llevando modelos desde la experimentación hasta producción con estándares de ingeniería de software. El rol actúa como puente entre los equipos de Ciencia de Datos y de Plataforma/Infraestructura, garantizando que los modelos operen de forma confiable, gobernada y eficiente en costos.
Requisitos generales
Formación en Ingeniería de Sistemas, Informática, Ciencia de Datos, Matemáticas/Estadística o afines.
3 a 5 años de experiencia en roles de Machine Learning Engineer, Data Engineer con enfoque ML, o similar.
Experiencia comprobable trabajando con Azure y Databricks en proyectos productivos (no solo exploratorios).
Inglés técnico para lectura de documentación (deseable nivel intermedio-alto).
Responsabilidades principales
Ingeniería y productización: transformar código de experimentación (notebooks) en código modular, empaquetado (Python wheels o contenedores) y orientado a objetos.
Orquestación: diseñar, paralelizar y monitorear pipelines de datos y ML mediante Databricks Workflows (Jobs).
Gobierno y model serving: administrar Unity Catalog, incluyendo Model Registry, linaje de datos, permisos y configuración de endpoints para consumo en tiempo real o batch.
CI/CD: configurar y mantener pipelines de integración y despliegue continuo (Azure DevOps, GitHub Actions) y automatizar el empaquetado del código.
Optimización computacional: afinar cargas PySpark, particionamiento de datos y configuración de clústeres para entrenamiento e inferencia eficientes.
Monitoreo en producción: detectar data drift y degradación de modelos, y definir criterios de reentrenamiento.
Colaboración transversal: traducir requerimientos de infraestructura a los equipos de Ciencia de Datos y alinear estándares de código entre ambos.
