Hay proyectos donde un modelo no termina al entrenarse: empieza a aportar valor cuando llega a producción, se monitoriza y se mantiene estable. Aquí trabajarás con Python, MLOps, cloud, Docker, Kubernetes, CI/CD, MLflow y Stratio, en un entorno donde la industrialización de modelos tiene impacto real.

Te incorporarás a un contexto técnico estable, con foco en analítica avanzada, operación de modelos en producción y calidad del ciclo de vida ML, con autonomía, continuidad y margen para seguir creciendo en prácticas modernas de datos, automatización y gobierno de modelos.

Lo que hará que esta oportunidad te encaje

✅ Teletrabajo desde cualquier punto de España
Podrás trabajar en remoto al 100%, con la flexibilidad de organizar tu vida sin depender de una ubicación concreta.

✅ Modelos que llegan a producción de verdad
No te quedarás solo en notebooks: trabajarás en despliegue, operación, monitorización, retraining y control de drift.

✅ Stack técnico sólido y actual
Python, Docker, Kubernetes, cloud, CI/CD, MLflow, pipelines de datos y herramientas MLOps formarán parte del entorno habitual.

✅ Especialización real en Stratio
Podrás aplicar tu experiencia configurando, administrando y optimizando componentes clave de la plataforma.

✅ Horario pensado para organizar mejor tu semana
Tres días de jornada intensiva y dos días de jornada partida, aportando equilibrio y previsibilidad.

✅ Salario claro desde el inicio
SBA de 53.000 €.

🎯 Misión del rol

Tu misión será desarrollar, desplegar, operar y mantener soluciones de machine learning en entornos productivos, asegurando que los modelos sean fiables, trazables, monitorizables y sostenibles en el tiempo.

💡 Cómo será tu día a día en este proyecto

▫️ Desarrollar soluciones en Python aplicadas a machine learning e ingeniería de datos.
▫️ Desplegar y operar modelos ML en entornos productivos.
▫️ Trabajar con Docker, Kubernetes y servicios cloud.
▫️ Diseñar y mantener pipelines de datos y automatizaciones CI/CD para ML.
▫️ Gestionar versionado de código y experimentos con Git, MLflow u otras herramientas equivalentes.
▫️ Monitorizar modelos, detectar drift y participar en procesos de retraining.
▫️ Configurar, administrar y optimizar componentes de Stratio.
▫️ Colaborar en prácticas de MLOps, gobernanza, explicabilidad y operación continua.

🌱 Qué te ayudará a tener éxito en esta posición

Haber trabajado al menos 3 años en machine learning, ingeniería de datos o MLOps te permitirá entender bien el ciclo completo del modelo. Será clave que te muevas con comodidad en Python, cloud, Docker, Kubernetes, CI/CD y herramientas de control de experimentos.

También encajarás especialmente bien si tienes experiencia en monitorización de modelos, retraining, drift, Spark, Airflow, Kubeflow, APIs de inferencia, microservicios o proyectos de industrialización de modelos ML.

👉 Da el siguiente paso

Si buscas un rol donde el machine learning no se queda en laboratorio, sino que se convierte en sistemas productivos estables, monitorizados y con recorrido técnico, esta posición puede darte continuidad, especialización y crecimiento real en MLOps.