• Definir trabajos en casos de uso de ML/analítica: trabajar con clientes para entender sus necesidades y diseñar soluciones cuantitativas para abordar esas necesidades, ya sea a través de aprendizaje automático, analítica, canalizaciones de datos y visualización, o con otros métodos.
• Adquirir, limpiar y evaluar la integridad de los conjuntos de datos: seamos realistas, esta es una parte complicada y satisfactoria del trabajo. Utilizamos Google Cloud Platform para muchos componentes de nuestro flujo de trabajo de aprendizaje automático.
• Explorar datos y sus fuentes: buscar patrones y señales en los datos, identificar campos importantes, obtener insights y discernir si el aprendizaje automático puede aplicarse al problema.
• Desarrollar y evaluar modelos de aprendizaje automático: ingeniería de características, experimentar con diferentes tipos de modelos, elegir las métricas adecuadas para medir el rendimiento, análisis del rendimiento y resultados del modelo (por ejemplo, importancia de características, estabilidad del modelo, rendimiento entre diferentes grupos), etc.
• Entender el diseño y las decisiones del modelo: explicar cómo funcionan los modelos bajo el capó y cómo un modelo llegó a una predicción determinada, elegir la familia de modelos correcta y justificar los compromisos de precisión para un rendimiento más rápido.
• Estrategia de implementación y aplicación: recomendar formas en que el cliente puede utilizar las salidas del modelo en su negocio, a menudo involucrando colaboración tanto con el cliente como con otros compañeros de Thinking Machines (por ejemplo, Estrategas, Analistas de Inteligencia Empresarial).
• Investigación y mantenerse al día con el espacio tecnológico: leer artículos de ML publicados e implementar versiones mejoradas de sus modelos en nuevos dominios.

• Comodidad con modelos de aprendizaje automático: Tienes un entendimiento demostrado de modelos clásicos de aprendizaje automático para clasificación y regresión (por ejemplo, árboles de decisión, modelos de ensamble, SVM, etc.). Los solicitantes que buscan posiciones más elevadas en este rol deben tener un conocimiento avanzado en al menos un área específica.
• Modelos de Predicción Secuencial (por ejemplo, pronóstico de series de tiempo, LSTMs, etc.)
• Visión por Computadora (por ejemplo, CNNs, SSDs, etc.)
• Modelado Geoespacial (por ejemplo, GeoPandas, GIS, Clay, UNet, etc.)
• LaGenAI o Modelos de Lenguaje (por ejemplo, GPT, Gemini, Claude, ingeniería de prompts, RAG, incrustaciones de palabras, representaciones de texto, etc.)
• Comodidad con el código: Puedes usar tu máquina local para raspar, cargar y analizar conjuntos de datos de tamaño moderado sin mucha ayuda.
• Comunicación clara: Ayudamos a los clientes a sacar el máximo provecho de sus datos, así que diagnosticamos sus necesidades de manera efectiva, hacemos el análisis correctamente y comunicamos nuestros hallazgos de una forma que lleve a la comprensión y la acción.
• Enfoque consciente de la aplicación en las soluciones: Debes ser capaz de diseñar y desarrollar soluciones que tengan un impacto potencial claro en el trabajo de los clientes y tener una visión de cómo podrían usarlo en aplicaciones del mundo real.
• Curiosidad productiva: Haces muchas de las preguntas correctas; si encuentras una correlación sorprendente, profundiza en los datos en bruto para validarla.
• Gusta tanto de enseñar como de aprender: Creemos que la ciencia de datos es un campo increíble. Hay mucho nuevo material por aprender, y estamos buscando a alguien que quiera contribuir al crecimiento de todos.
• Fuerte sentido de iniciativa: Siempre estás buscando formas de ser útil y odias no tener nada que hacer.
• Inteligencia social: Es muy importante que trabajes bien con los demás y tengas éxito en un entorno con mucho trabajo en equipo.

• Al menos 2 años de experiencia en ciencia de datos, analítica u otros campos relacionados.
• Si tienes menos de dos años de experiencia, ¡prepárate para mostrar un portafolio de Proyectos de Aprendizaje Automático!
• Títulos de pregrado/postgrado en Ciencias de la Computación, Física, Matemáticas, Estadística o cualquier campo relacionado.
• Fuertes habilidades en estadística básica y manejo de álgebra lineal.
• Fuertes habilidades en análisis cuantitativo.
• Familiaridad con lenguajes de programación estadística como Python o R.
• Puntos adicionales: (no se espera que tengas todas estas calificaciones, pero los candidatos competitivos tienen al menos dos):
• Conocimientos sobre el kit de herramientas de Python y los marcos de aprendizaje profundo (es decir, PyTorch, TensorFlow, Keras, etc.).
• Publicaciones en revistas y conferencias revisadas por pares.
• Comodidad con plataformas en la nube (AWS, GCP o Azure) para entrenar modelos de aprendizaje automático en conjuntos de datos de más de 10GB.
• Experiencia en crear visualizaciones de datos atractivas utilizando herramientas como Tableau, Power BI, Looker, Matplotlib o Seaborn para comunicar insights a las partes interesadas.
• Experiencia en un campo no técnico. ¿Eres un experto en energía, finanzas o seguros? ¡Aporta algo que aún no tengamos!
• Fluidez con marcos de código abierto y buenas prácticas de ingeniería de software.

• Salario competitivo: la compensación está positivamente correlacionada con la dificultad del trabajo, la experiencia relevante, la adecuación y los factores de habilidad.
• Configuración híbrida: híbrido-remoto significa que se requiere que los empleados vengan en promedio dos días a la semana para compromisos con clientes y días internos destinados a colaboración, eventos sociales y planificación estratégica.
• Presupuesto anual para desarrollo profesional: se ofrece un presupuesto anual para conferencias, cursos, libros y software para desarrollar tus habilidades y adquirir nuevas que te ayuden a crecer en tu rol.
• Beneficios de salud completos: paquete generoso de seguro de salud al ser contratado, con opciones para incluir a dependientes.
• Apprenticeship y revisiones de rendimiento anuales con el equipo de liderazgo para discutir metas de carrera y personales, progreso laboral y cualquier pregunta o inquietud.

Por favor, consulta la descripción del trabajo.