Machine Learning Platform

Cashea

. Construir infraestructura de Machine Learning y MLOps para desarrollar, desplegar y mantener modelos en producción .

Posted 10/28/2026full-timeRemote • ArgentinaMid-LevelSeniorWebsite

Core Competencies

Role fit

Core Competencies

Use this summary to align your resume positioning with the role.

Expertise in building and maintaining Machine Learning infrastructure and MLOps, with a strong focus on developing automated tools, SDKs, and pipelines. Proficient in optimizing Bayesian models and implementing CI/CD workflows while ensuring effective communication and training for Data Scientists.

Highest-signal resume keywords

Machine Learning Infrastructure DevelopmentMLOps Tools ImplementationPython SDK DevelopmentCI/CD Pipelines (GitHub Actions, GitLab CI, Jenkins)Bayesian Model Optimization

ATS Keywords

Tailor your resume

Applicant Tracking System Keywords

Tip: use these terms in your resume and cover letter to boost ATS matches.

Hard Skills

Machine LearningMLOpsPythonCI/CDBayesian ModelsMLflowDockerKubernetesCloud Platforms (GCP, AWS, Azure)Automated Testing

Soft Skills

Effective CommunicationOwnershipAutonomyTrainingDocumentation

Tools & Technologies

MLflowDockerKubernetesGitHub ActionsGitLab CIJenkinsSphinxMkDocsFeastAirflow

Industry Keywords

Data ScienceFintechModel GovernanceDeveloper ExperienceAgile Methodologies

Tech Stack

Tools & technologies

AirflowAWSAzureCloudDockerGoogle Cloud PlatformJenkinsKubernetesOpen SourcePython

About the role

Key responsibilities & impact

Construir infraestructura de Machine Learning y MLOps para desarrollar, desplegar y mantener modelos en producción
Crear herramientas, SDKs y pipelines automatizados con reproducibilidad, observabilidad y gobernanza
Construir CLI tools para deployment automatizado (ml-deploy, ml-rollback)
Implementar workflows automatizados de MLflow para promoción de modelos de dev a staging y prod
Crear repositorios template con buenas prácticas para modelos y APIs
Establecer buenas prácticas para productización de modelos bayesianos
Documentar APIs y SDKs mediante Sphinx/MkDocs, tutoriales y ejemplos
Impartir sesiones de formación a Data Scientists
Desarrollar herramientas self-service para lograr más del 80% de autonomía de Data Scientists
Implementar suites de testing automatizado para validación y rendimiento de modelos
Optimizar el rendimiento de modelos bayesianos y MLflow en producción
Construir dashboards de monitoring para salud de modelos
Automatizar governance, approval gates y compliance checks
Proporcionar soporte de respuesta a incidentes y troubleshooting
Mantener y evolucionar SDKs y tooling según el feedback de Data Scientists
Mejorar la arquitectura de serving de modelos complejos
Mantener documentación continua, runbooks y troubleshooting guides

Requirements

What you’ll need

5+ años de experiencia en Ciencia de Datos, Machine Learning o MLOps
2+ años trabajando con herramientas MLOps en producción (registry, tracking, model serving, monitoring, versioning)
Experiencia construyendo SDKs/libraries Python para consumo interno
Experiencia con pipelines CI/CD (GitHub Actions, GitLab CI, Jenkins)
Capacidad de entender modelos bayesianos, ponerlos en producción y mejorarlos
Python avanzado (packaging, testing, documentation)
Conocimientos en MLflow (registry, tracking server, model serving, artifacts)
Experiencia en modelos bayesianos (PyMC, Stan o similar), productización y optimización
Experiencia con Docker y Kubernetes
Conocimientos de plataformas cloud (GCP preferible; AWS/Azure aceptable)
Mentalidad de internal tooling para diseñar para otros desarrolladores
Documentación técnica clara y completa
Comunicación efectiva con Data Scientists
Ownership y autonomía
Se valoran experiencia con Feast, Airflow/Composer, modelos de riesgo crediticio, growth y fraude, fintech o entornos regulados, contribuciones open source, Evidently AI o similar, Model Governance, liderazgo de iniciativas de developer experience y metodologías ágiles

Benefits

Comp & perks

Cultura de trabajo basada en la confianza y el propósito
Entorno de trabajo completamente remoto
Espacio para la creatividad, curiosidad, ideas y feedback
Cultura de transparencia y enfoque en el impacto real