Ingeniero ML / Data Scientist
Summary
The ML Engineer/Data Scientist will build a reproducible NLP pipeline for Spanish NER, focusing on weak supervision to create training datasets from historical data and fine-tuning BERT models. The role involves calibrating model confidence scores and ensuring the final pipeline is production-ready for the client.
Misión: construir el corpus de entrenamiento a partir de 1,8 millones de pares históricos; hacer fine-tuning de un modelo NER en español; calibrar el score de confianza; y dejar el pipeline reproducible y traspasable al cliente.
- Construir el dataset de entrenamiento sin etiquetado manual masivo (etiquetado programático / weak supervision).
- Realizar tokenización y normalización de texto para NLP en español.
- Entrenar y ajustar un modelo para NER en español (idealmente BERT en español, como BETO u otro BERT en español) con Transformers / Hugging Face.
- Gestionar errores ortográficos y robustez del preprocesamiento.
- Evaluar rigurosamente el desempeño con precision/recall/F1 usando conjuntos held-out y control de fuga de datos.
- Calibrar probabilidades para que el umbral de confianza sea interpretable (score calibrado con métodos como Platt o isotónica).
- Garantizar reproducibilidad: documentación del pipeline, trazabilidad de experimentos y empaquetado para que el cliente pueda replicarlo y operarlo.
Excluyente
- Python sólido (pandas, scikit-learn) y experiencia real llevando un modelo a producción en NLP en español.
- Experiencia con tokenización, normalización de texto y manejo de errores ortográficos.
- Experiencia con Transformers / Hugging Face para fine-tuning de BERT (ideal BETO u otro BERT en español) orientado a NER.
- Etiquetado programático / weak supervision: construir datasets de entrenamiento sin etiquetado manual masivo.
- Evaluación rigurosa: precision/recall/F1, conjuntos held-out y control de fuga de datos.
Cómo evaluamos el enfoque: necesitamos que puedas explicar de forma clara cómo construirías el dataset de entrenamiento cuando no existe corpus etiquetado y hay 1,8 M de pares históricos; y qué significa que un modelo esté calibrado y cómo lo comprobarías.
We valoramos además una forma de trabajo ordenada y comunicable: foco en reproducibilidad, pensamiento crítico sobre métricas (held-out y fuga de datos) y mentalidad de transferencia hacia el cliente.
100% remoto
Si te interesa construir un pipeline reproducible, entrenar NER en español con enfoque en weak supervision y evaluar/calibrar con rigor, te invitamos a postular.