🎁 Antes de postularte, practica esta entrevista. Crea tu cuenta gratis en WorkMundi y recibe un Entrenamiento de Entrevista en HelpsYouSpeak — sin costo, sin tarjeta. Quiero mi entrenamiento →
Company Description: ProntoPaga Job Description: ¡Súmate a ProntoPaga! En ProntoPaga, empresa que forma parte de Worldwide Payments (WWP) Services, holding tecnológico que impulsa el movimiento del dinero en Latinoamérica, desarrollamos soluciones de pago robustas, seguras y escalables para operar a nivel regional. Creemos en la colaboración entre equipos, el aprendizaje continuo y el talento sin fronteras. Buscamos personas curiosas y creativas, con ganas de crecer y asumir nuevos retos junto a un equipo multidisciplinario y comprometido. Si te motiva trabajar en un entorno dinámico, inclusivo y con impacto real… ¡este es tu lugar! Buscamos a un/a profesional responsable de ejecutar, productivizar y mantener los modelos de Machine Learning del ecosistema fintech, alineándose con la estrategia del área e integrando competencias de Data Science y ML Engineering. En su etapa inicial, el rol centrará su gestión en la revisión técnica, optimización y aseguramiento de calidad del código y metodología de los modelos predictivos existentes y en desarrollo (fraude, riesgo crediticio y churn), garantizando el cumplimiento de estándares productivos. A partir de este diagnóstico, asumirá la implementación técnica de la disciplina de MLOps en el área, siendo responsable de construir pipelines automatizados de entrenamiento y despliegue, aplicar las políticas de versionado (modelos y datos), e implementar mecanismos de monitoreo continuo y detección de drift. El cargo reporta directamente al Head of Data & Analytics y coordina técnicamente con Producto, Riesgo y Compliance para el cumplimiento de requerimientos técnicos y del negocio. ¿Cuáles serán tus funciones principales? Desarrollar y productivizar modelos de Machine Learning: Trabajar sobre modelos existentes para internalizarlos, validarlos y refactorizarlos en código productivo. Diseñar e implementar modelos supervisados y no supervisados para detección de fraude, scoring crediticio, predicción de churn y segmentación. Transformar notebooks de experimentación en código modular, testeado y mantenible (Python packages, CI/CD). Documentar métricas de performance (precision, recall, F1, AUC-ROC) y generar reportes reproducibles. Construir y mantener pipelines de ML (MLOps): Diseñar pipelines end-to-end de entrenamiento, validación y re-entrenamiento automatizado de modelos. Implementar y gestionar registro de modelos con herramientas como MLflow o similar (versionado, tracking de experimentos, model registry). Configurar y operar infraestructura de serving de modelos: APIs REST (FastAPI), batch scoring o streaming según el caso de uso. Implementar mecanismos de monitoreo de modelos en producción: detección de drift de datos y concepto, alertas de degradación de performance. Asegurar reproducibilidad de experimentos y trazabilidad completa del ciclo de vida del modelo. Deploy y operación de modelos en producción: Desplegar modelos en ambientes cloud (AWS: SageMaker, Lambda, ECR, S3) con estándares de seguridad y latencia adecuados. Integrar modelos con sistemas operacionales: detección de fraude en tiempo real, scoring en onboarding, alertas automáticas a Compliance. Gestionar actualizaciones, rollbacks y pruebas A/B de modelos en producción. Colaborar con Data Engineering en la definición de feature stores y pipelines de datos para alimentar modelos en producción. Preparar y validar datasets para modelamiento: Realizar análisis exploratorio de datos (EDA) para entender características, distribuciones y correlaciones. Limpiar, transformar y validar la calidad de datos provenientes del Data Lakehouse. Aplicar técnicas de feature engineering para mejorar performance de modelos. Trabajar con datos sensibles (financieros, personales) asegurando privacidad y compliance regulatorio. Establecer estándares y mejores prácticas de MLOps: Definir y documentar el proceso estándar de desarrollo y despliegue de modelos en el equipo. Proponer e implementar herramientas y plataformas que aceleren el ciclo de experimentación producción. Investigar soluciones de la industria fintech y mantenerse actualizado en técnicas de ML/AI y MLOps. Comunicar resultados y hallazgos a stakeholders: Presentar insights y resultados de modelos a audiencias técnicas y no técnicas. Proporcionar recomendaciones accionables basadas en análisis de datos ¿Cuáles son los requisitos? Formación Académica Ingeniería Civil en Computación, Ingeniería en Informática, Ingeniería Civil Industrial con mención computacional, o carreras afines. Postgrado o certificaciones en Machine Learning, MLOps, Data Science o Cloud (Deseable). Experiencia 2 a 4 años de experiencia en roles de ML Engineer, Data Scientist con foco productivo, o similares. Experiencia comprobable en despliegue de modelos en ambientes productivos (no solo experimentación en notebooks). Deseable: experiencia previa en entornos fintech, banca o industrias de datos críticos. Obligatorios Conocimientos Técnicos: Python avanzado: para ML (scikit-learn, pandas, numpy) y código productivo (packaging, tests, linting). SQL: para extracción y manipulación de datos a escala. Experiencia en modelamiento de ML: clasificación, regresión, clustering, detección de anomalías. MLflow o equivalente: tracking de experimentos, model registry, artifact store. APIs de serving: FastAPI o Flask para exponer modelos como servicios REST. Docker y contenedores: construcción de imágenes, gestión de ambientes reproducibles. Git y CI/CD: control de versiones y automatización de pipelines de integración/despliegue. Inglés técnico: capacidad de leer papers, documentación y artículos en inglés (nivel intermedio-avanzado). Deseables AWS: Preferentemente con experiencia práctica en deploy de modelos. Feature stores: Feast, Tecton o similares. Orquestación de pipelines: Kestra o similares. Monitoreo de modelos: Herramientas para detección de drift. Frameworks de deep learning: TensorFlow o PyTorch (no excluyente, valorado). Técnicas de explicabilidad: SHAP, LIME. ¿Qué ofrecemos? Bono de cumpleaños, fiestas patrias y navidad. Acceso a nuestro palco VIP en Movistar Arena como beneficio adicional de cumpleaños (contrato indefinido). Seguro complementario de salud (contrato indefinido). Convenio colectivo FALP (contrato indefinido). Ambiente de apoyo y crecimiento. Lugar de trabajo: Las Condes (Metro Manquehue). Modalidad: Presencial. Compromiso con la diversidad y la inclusión En ProntoPaga promovemos un ambiente laboral diverso, equitativo e inclusivo, donde todas las personas son bienvenidas a postular sin distinción de género, orientación sexual, edad, nacionalidad, origen étnico, religión o discapacidad.
Here's how to pick the right one and stand out in your application.
144.883Jobs
31.687IN
81%EN
That number is real. WorkMundi's database shows 144,883 open engineer roles across the world. India has the most with 31,687 jobs, followed by the United States with 30,084. If you just finished reading one job ad and felt paralyzed by choice, you're not alone—but this scale is actually an advantage. It means you can afford to be selective.
Start by geography and language. The majority of engineer ads—117,837 of them—have the job posting text written in English. Use that as one filter, but remember: the ad text language tells you nothing about whether the role actually requires you to speak English day-to-day. Read the job description carefully. Then check which countries have the volume you're targeting. Singapore, Poland, and Australia round out the top five after India and the US.
Next, learn who's hiring. Accenture has posted 2,801 engineer roles. andurilindustries, speechify, and jobgether are also actively recruiting. If you're applying to one of these names, research their hiring patterns and interview style before you apply. That homework pays off.
When you interview, expect the question every engineer hears: 'Tell me about a time you had to debug a problem that wasn't in your job description.' Have a specific story ready—not a general one. Name the tools, the deadline pressure, and what you learned. Hiring managers listen for whether you see problem-solving as part of the role itself, not a favour.