Machine Learning Engineer

¡Hola! Somos Cashea 👋 y nuestra misión es devolverle a los venezolanos la oportunidad de acceder al crédito a través de un modelo de negocio BNPL (buy now, pay later).

Desde nuestro lanzamiento en 2022, nos hemos dedicado a promover la inclusión financiera. Hoy contamos con más de 9 millones de usuarios activos, tanto consumidores como comercios, y nos hemos convertido en una marca de confianza en Venezuela, ganándonos el corazón y la mente de las personas.

• Implementar retrieval de candidatos, ranking, reordenamiento por reglas de negocio y serving de baja latencia.

• Construir los pipelines de features y embeddings, batch y online, que alimentan a los modelos.

• Instrumentar el logging de impresiones, clicks y órdenes con las garantías necesarias para reentrenar sin sesgo de posición.

• Definir el protocolo de evaluación offline y los experimentos online (A/B, interleaving, bandits) que autorizan cada release del ranking.

• Implementar monitoreo y alertas sobre las fallas propias de un recomendador: cold start, cobertura de catálogo, sesgo de popularidad, caída de CTR y de conversión.

• Modelar los datos y las transformaciones en el warehouse (dbt sobre BigQuery) que alimentan el Feature Store.

• Realizar análisis ad hoc para el squad y coordinar con Data Engineering la calidad y disponibilidad de los datos.

• Haber puesto al menos dos sistemas de recomendación en producción, no en un notebook, y poder explicar qué métrica movieron y qué no.

• Filtrado colaborativo, modelos de grafos, factorización matricial y modelos secuenciales o basados en sesión, con criterio para decidir cuándo cada uno le gana a los otros y cuándo ninguno le gana a top-N por popularidad.

• Diseñar el protocolo de evaluación completo: partición temporal, líneas base no personalizadas, métricas de ranking e incertidumbre sobre el número reportado.

• Detectar y probar fuga temporal: joins point-in-time y tests que fallan antes de que el modelo llegue a producción.

• Resolver cold start en las dos puntas, usuario nuevo y producto nuevo.

• Trabajar con feedback implícito y catálogos incompletos, y medir cuánto se equivoca cada fuente de señal antes de meterla al modelo.

• Traducir la mecánica del negocio a la función objetivo. Cashea asume el riesgo de crédito y su margen varía por aliado, así que optimizar conversión sola es el objetivo equivocado.

• 6+ años en ML aplicado, con recomendación como especialidad y no como proyecto lateral.

• 2+ años con herramientas de MLOps en producción: registry, tracking, model serving, monitoreo, versionado.

• Python de producción: packaging, testing, procesos que corren solos.

• SQL avanzado y modelado analítico con dbt o equivalente.

• Estadística aplicada: incertidumbre, tamaño de muestra y criterio para distinguir una diferencia real del ruido.

• CI/CD pipelines (GitHub Actions, GitLab CI o equivalente).

• Python avanzado (packaging, testing, documentation)

• Librerías de recomendación (implicit, LightFM, TensorFlow Recommenders, PyTorch o similar)

• Búsqueda vectorial y ANN (Vertex AI Vector Search, FAISS, ScaNN, pgvector)

• Feature stores para features online de baja latencia (Vertex AI Feature Store, Bigtable, Redis)

• MLflow (registry, tracking server, model serving, artifacts)

• dbt sobre BigQuery o warehouse equivalente

• Docker y Kubernetes básico
• Git y GitHub/GitLab workflows

• REST APIs design & development, con criterio de latencia (p95, p99)

• Cloud platforms (GCP preferible, AWS/Azure aceptable)

• Bandits contextuales y exploración en producción (Thompson sampling, epsilon-greedy).

• Modelos bayesianos (PyMC, Stan o similar) llevados a producción.

• OCR y extracción de información de documentos.

• Mentalidad de "internal tooling" (diseñar para otros desarrolladores)

• Documentación clara y completa (technical writing)

• Comunicación efectiva con Data Scientists (entender sus pain points)

• Ownership/Autonomía

• Criterio para decidir qué optimizar cuando la métrica offline y la del negocio no apuntan al mismo lado.

En Cashea tenemos una cultura de trabajo basada en la confianza y el propósito. Si quieres saber por qué somos el lugar ideal para ti, estos son nuestros valores fundamentales:

• No trabajamos en piloto automático. Todo lo que hacemos y compartimos —dentro y fuera— es intencional. Nos apasiona crear ideas siendo plenamente conscientes del impacto que tienen en nuestros usuarios.

• Tu creatividad y curiosidad son tus activos más importantes.

• Tu voz importa.Escuchamos y abrimos espacio para las ideas y el feedback. Aquí todos pertenecen; lo que es importante para ti, lo es para nosotros.

• Valoramos la transparencia.La claridad nos mantiene conectados y con los pies en la tierra.

• Por último, pero no menos importante, nos enfocamos en el impacto real. Todo lo que hacemos está destinado a marcar la diferencia.

¿Te identificas? ¡Postúlate ahora, nos encantaría conocerte!

Originally posted on Himalayas