Python Engineer & ML Infrastructure

Diseñar y mantener pipelines de datos en producción usando Python y Snowflake
Dockerizar modelos de ML y artefactos complejos para despliegue containerizado
Orquestar y escalar cargas de trabajo en Kubernetes, incluyendo servicios de model serving
Transformar prototipos de investigación en código robusto, testeado y versionado
Configurar y gestionar KServe (o plataformas equivalentes) para servir modelos en producción
Automatizar procesos de ML mediante Kubernetes CronJobs y workflows programados
Optimizar queries SQL en Snowflake para maximizar performance de pipelines
Documentar y mantener la infraestructura mediante Helm charts

Python 3.12+ (imprescindible) — Python sólido en producción, no solo nivel de scripting
Snowflake (imprescindible) — cómodo escribiendo y optimizando SQL contra Snowflake como fuente de datos y destino para salida de pipelines
Docker (imprescindible) — construcción y optimización de imágenes de contenedores, incluyendo empaquetamiento de artefactos de modelos ML y sus dependencias de tiempo de ejecución en imágenes desplegables
Kubernetes (imprescindible) — despliegue y operación de cargas de trabajo en Kubernetes; comprensión de pods, deployments, límites de recursos y redes básicas de clúster
Capacidad de tomar un prototipo de nivel de investigación y convertirlo en código de producción comprobado, mantenible y programado
Inglés intermedio-avanzado o avanzado (indispensable)

Preferido:

Experiencia específica con Kubernetes CronJob (programación, política de concurrencia, límites de reintento, manejo del historial de fallos)
Experiencia con plataforma de model serving KServe o equivalente (Seldon, BentoML, o similar), ya que la construcción de un clúster KServe es la siguiente fase definida de este rol
Familiaridad con conceptos de clustering/estadísticas utilizados en el prototipo: K-means con auto-K vía puntuación de silueta, Jenks Natural Breaks para tiering, normalización/ponderación de características
Autoría de gráficos Helm para empaquetamiento de cargas de trabajo de Kubernetes
Experiencia con formatos de artefactos de modelos y convenciones de empaquetamiento (por ejemplo, ONNX, modelos PyTorch/scikit-learn en pickle, registros de modelos MLflow) incluso sin haber entrenado directamente los modelos

See also