PROPÓSITO DEL CARGO:
Profesional responsable de ejecutar, productivizar y mantener los modelos de Machine Learning del ecosistema fintech, alineándose con la estrategia del área e integrando competencias de Data Science y ML Engineering.
En su etapa inicial, el rol centrará su gestión en la revisión técnica, optimización y aseguramiento de calidad del código y metodología de los modelos predictivos existentes y en desarrollo (fraude, riesgo crediticio y churn), garantizando el cumplimiento de estándares productivos.
A partir de este diagnóstico, asumirá la implementación técnica de la disciplina de MLOps en el área, siendo responsable de construir pipelines automatizados de entrenamiento y despliegue, aplicar las políticas de versionado (modelos y datos), e implementar mecanismos de monitoreo continuo y detección de drift. El cargo reporta directamente al Head of Data & Analytics y coordina técnicamente con Producto, Riesgo y Compliance para el cumplimiento de requerimientos técnicos y del negocio.
RESPONSABILIDADES CLAVE Y RESULTADOS ESPERADOS:
1. Desarrollar y productivizar modelos de Machine Learning:
- Trabajar sobre modelos existentes para internalizarlos, validarlos y refactorizarlos en código productivo.
- Diseñar e implementar modelos supervisados y no supervisados para detección de fraude, scoring crediticio, predicción de churn y segmentación.
- Transformar notebooks de experimentación en código modular, testeado y mantenible (Python packages, CI/CD).
- Documentar métricas de performance (precision, recall, F1, AUC-ROC) y generar reportes reproducibles.
2. Construir y mantener pipelines de ML (MLOps):
- Diseñar pipelines end-to-end de entrenamiento, validación y re-entrenamiento automatizado de modelos.
- Implementar y gestionar registro de modelos con herramientas como MLflow o similar (versionado, tracking de experimentos, model registry).
- Configurar y operar infraestructura de serving de modelos: APIs REST (FastAPI), batch scoring o streaming según el caso de uso.
- Implementar mecanismos de monitoreo de modelos en producción: detección de drift de datos y concepto, alertas de degradación de performance.
- Asegurar reproducibilidad de experimentos y trazabilidad completa del ciclo de vida del modelo.
3. Deploy y operación de modelos en producción:
- Desplegar modelos en ambientes cloud (AWS: SageMaker, Lambda, ECR, S3) con estándares de seguridad y latencia adecuados.
- Integrar modelos con sistemas operacionales: detección de fraude en tiempo real, scoring en onboarding, alertas automáticas a Compliance.
- Gestionar actualizaciones, rollbacks y pruebas A/B de modelos en producción.
- Colaborar con Data Engineering en la definición de feature stores y pipelines de datos para alimentar modelos en producción.
4. Preparar y validar datasets para modelamiento:
- Realizar análisis exploratorio de datos (EDA) para entender características, distribuciones y correlaciones.
- Limpiar, transformar y validar la calidad de datos provenientes del Data Lakehouse.
- Aplicar técnicas de feature engineering para mejorar performance de modelos.
- Trabajar con datos sensibles (financieros, personales) asegurando privacidad y compliance regulatorio.
5. Establecer estándares y mejores prácticas de MLOps:
- Definir y documentar el proceso estándar de desarrollo y despliegue de modelos en el equipo.
- Proponer e implementar herramientas y plataformas que aceleren el ciclo de experimentación → producción.
- Investigar soluciones de la industria fintech y mantenerse actualizado en técnicas de ML/AI y MLOps.
6. Comunicar resultados y hallazgos a stakeholders:
- Presentar insights y resultados de modelos a audiencias técnicas y no técnicas.
- Proporcionar recomendaciones accionables basadas en análisis de datos.