Líder Técnico Bigdata + IA in Global MVM

El Líder Técnico de Big Data + AI tiene como propósito guiar y hacer mentoring al equipo de desarrollo, asegurando la adopción de tecnologías y herramientas adecuadas para la implementación de soluciones de procesamiento de datos de bajos y altos volúmenes y la integración de modelos de inteligencia artificial. Su rol es fundamental en la toma de decisiones técnicas, la adherencia a las decisiones y estrategias de arquitectura y la optimización de los flujos de procesamiento de datos masivos en entornos escalables

El Líder Técnico de Big Data + AI tiene como propósito guiar y hacer mentoring al equipo de desarrollo, asegurando la adopción de tecnologías y herramientas adecuadas para la implementación de soluciones de procesamiento de datos de bajos y altos volúmenes y la integración de modelos de inteligencia artificial. Su rol es fundamental en la toma de decisiones técnicas, la adherencia a las decisiones y estrategias de arquitectura y la optimización de los flujos de procesamiento de datos masivos en entornos escalables.

Azure Synapse Analytics

o Azure Data Lake

o Databricks

o AWS Redshift

o Google BigQuery.

o Data Lakehouse

o Data Mesh

o Data Fabric

o Lambda y Kappa Architecture.

o Bases de datos relacionales: SQL Server, PostgreSQL, MySQL.

o Procesamiento distribuido: Databricks, Apache Spark, Apache Flink, Dask.

o Procesamiento en batch vs. procesamiento en streaming.

o Implementación de RBAC (Role-Based Access Control).

o Auditoría y monitoreo de acceso a los datos.

o Regresión lineal y logística, árboles de decisión, random forest, gradient boosting (XGBoost, LightGBM, CatBoost).

o Redes neuronales convolucionales (CNN), redes recurrentes (RNN, LSTM, GRU), transformers (BERT, GPT).

o Tokenización, embeddings (Word2Vec, FastText, BERT), clasificación de texto, generación de texto.

o Detección de objetos, segmentación de imágenes, reconocimiento facial.

Indexación y Vectorización para Modelos de AI y LLMs

o Uso de embeddings generados por modelos como Ada, Word2Vec, FastText, BERT, OpenAI Cohere, Hugging Face Transformers.

o Métodos de reducción de dimensionalidad: PCA, t-SNE, UMAP.

o Implementación de técnicas de Retrieval-Augmented Generation (RAG) para mejorar la precisión en LLMs.

· Bases de Datos Vectoriales:

o Uso de PostgreSQL con extensiones para vectores (pgvector).

o Integración con Azure Cognitive Search (AI Search), Elasticsearch, Pinecone.

o Ajuste de hiperparámetros con Grid Search, Random Search, Optuna.

o Uso de técnicas como Transfer Learning y Few-Shot Learning para adaptar modelos preentrenados a nuevos dominios.

o Implementación de LoRA (Low-Rank Adaptation) y QLoRA para optimizar fine-tuning en grandes modelos de lenguaje.

o Adaptación de modelos de OpenAI, Hugging Face, Llama 2, Mistral, Falcon en entornos privados o híbridos.

o TensorFlow, PyTorch, Hugging Face Transformers, DeepSpeed, FastAPI para servir modelos optimizados.

o Azure Machine Learning, AWS SageMaker, Google Vertex AI.

o MLflow, Kubeflow, TensorFlow Extended (TFX).

o Uso de GPUs y TPUs en cloud.

o Kubernetes y servidores para inferencia (Triton, ONNX Runtime, TorchServe).

o Automatización de pruebas en modelos de ML (unit tests, integration tests en pipelines de AI).

o Validación de seguridad en modelos y datos (ataques adversariales, auditoría de datasets).

o Despliegues en contenedores con Docker y Kubernetes.

o GitOps para la gestión del código de AI (MLflow, DVC).

No aplica

Trabajo remoto. Horario flexible, Contrato a termino indefinido.