Ingeniero ML / Data Scientist

Excluyente

Python sólido (pandas, scikit-learn) y experiencia real llevando un modelo a producción en NLP en español .

Experiencia con tokenización , normalización de texto y manejo de errores ortográficos .

Experiencia con Transformers / Hugging Face para fine-tuning de BERT (ideal BETO u otro BERT en español) orientado a NER .

Etiquetado programático / weak supervision : construir datasets de entrenamiento sin etiquetado manual masivo.

Evaluación rigurosa : precision/recall/F1, conjuntos held-out y control de fuga de datos .

Cómo evaluamos el enfoque: necesitamos que puedas explicar de forma clara cómo construirías el dataset de entrenamiento cuando no existe corpus etiquetado y hay 1,8 M de pares históricos; y qué significa que un modelo esté calibrado y cómo lo comprobarías.

We valoramos además una forma de trabajo ordenada y comunicable: foco en reproducibilidad, pensamiento crítico sobre métricas (held-out y fuga de datos) y mentalidad de transferencia hacia el cliente.

Misión: construir el corpus de entrenamiento a partir de 1,8 millones de pares históricos; hacer fine-tuning de un modelo NER en español; calibrar el score de confianza; y dejar el pipeline reproducible y traspasable al cliente.

Construir el dataset de entrenamiento sin etiquetado manual masivo (etiquetado programático / weak supervision).

Realizar tokenización y normalización de texto para NLP en español.

Entrenar y ajustar un modelo para NER en español (idealmente BERT en español, como BETO u otro BERT en español) con Transformers / Hugging Face.

Gestionar errores ortográficos y robustez del preprocesamiento.

Evaluar rigurosamente el desempeño con precision/recall/F1 usando conjuntos held-out y control de fuga de datos.

Calibrar probabilidades para que el umbral de confianza sea interpretable (score calibrado con métodos como Platt o isotónica).

Garantizar reproducibilidad: documentación del pipeline, trazabilidad de experimentos y empaquetado para que el cliente pueda replicarlo y operarlo.

XGBoost y calibración de probabilidades (Platt / isotónica): el umbral de 0,82 debe significar probabilidad real.

Embeddings y búsqueda vectorial (pgvector, HNSW, sentence-transformers).

Fuzzy matching : distancias de edición, algoritmos fonéticos, pg_trgm.

MLflow para gestión de experimentos y despliegue.

ONNX y cuantización INT8 para inferencia eficiente en CPU (sin GPU).

libpostal .

Experiencia con direcciones postales , geocodificación o datos geográficos.

100% remoto

Si te interesa construir un pipeline reproducible, entrenar NER en español con enfoque en weak supervision y evaluar/calibrar con rigor, te invitamos a postular.