Data Scientist / IA Engineer

Requisitos
Formación Título universitario en Ingeniería en Informática, Ingeniería en Computación, Ciencias de la Computación, Estadística, Matemáticas, Ingeniería Civil Industrial o carreras afines. Conocimientos y/o experiencia 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. Competencias y Habilidades: Pensamiento analítico y estadístico para extraer conclusiones a partir de los datos. Capacidad para traducir necesidades del negocio en problemas de datos y modelos. Trabajo en equipo y comunicación efectiva con áreas de negocio, Backend, QA y DevOps. Capacidad de aprendizaje y adaptación a nuevas técnicas, herramientas y tendencias en IA. Rigurosidad en la validación de modelos y la calidad de los datos. Conocimientos de metodologías ágiles con SCRUM (no excluyente).

Principales funciones
Objetivos del Cargo 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. 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. …