Data Scientist / IA Engineer

Responsable de diseñar, desarrollar, entrenar y poner en producción modelos analíticos, predictivos y de inteligencia artificial que aporten valor al negocio logístico. Su principal objetivo es transformar los datos en información accionable y soluciones inteligentes que optimicen procesos como pronóstico de demanda, optimización de rutas, asignación de recursos, detección de anomalías y mejora de la experiencia del cliente. Además, define las arquitecturas de datos y modelos, promueve buenas prácticas de MLOps y de gobierno de datos, y colabora estrechamente con equipos de Backend, Procesos, QA y DevOps para asegurar que las soluciones de IA sean escalables, mantenibles y estén alineadas con los objetivos estratégicos de la empresa.

Experiencia Excluyente en las siguientes tecnologías:

• Python (Pandas, NumPy, scikit-learn)
• Frameworks de Deep Learning (TensorFlow, PyTorch, Keras)
• SQL y manejo de bases de datos relacionales y no relacionales. Ideal Postgresql.

Conocimientos Obligatorios: Modelamiento estadístico y machine learning supervisado/no supervisado. Limpieza, transformación y análisis exploratorio de datos (ETL/EDA). Gitlab. Experiencia en metodologías ágiles. JSON. Linux Nivel Medio. Consumo e integración de APIs. Conocimientos que suman puntos: MLOps (MLflow, Kubeflow, Airflow). Manejo de Contenedores (Docker, Kubernetes). LLMs e IA Generativa (LangChain, RAG, fine-tuning, prompt engineering). Automatización (N8N). Herramientas de visualización (Power BI, Tableau, Grafana). Big Data (Spark, Hadoop).

Funciones:

• Recopilar, limpiar, transformar y analizar grandes volúmenes de datos provenientes de distintas fuentes del ecosistema logístico.
• Realizar análisis exploratorio de datos (EDA) e identificar patrones, tendencias y oportunidades de mejora.
• Diseñar, desarrollar, entrenar, validar y optimizar modelos de machine learning e inteligencia artificial.
• Desplegar modelos en producción y monitorear su rendimiento, asegurando su reentrenamiento y mejora continua (MLOps).
• Construir y exponer servicios y APIs para la integración de modelos con las aplicaciones del negocio.
• Colaborar con equipos de DevOps en la definición de pipelines de datos y de despliegue (CI/CD).
• Documentar metodologías, supuestos, decisiones técnicas y resultados de los modelos para facilitar la colaboración y trazabilidad.
• Comunicar hallazgos y recomendaciones a las áreas de negocio mediante visualizaciones y reportes claros.