Machine Learning Engineer / MLOps – GCP

Role summary

Machine Learning Engineer / MLOps – GCP is a full-time role at TECDATA ENGINEERING in Madrid, Community of Madrid, Spain (hybrid). Posted 2026-08-13. Experience level: 5-10.

Job title

Machine Learning Engineer / MLOps – GCP

Company

TECDATA ENGINEERING

Location

Madrid, Community of Madrid, Spain

Work arrangement

hybrid

Employment type

full-time

Category

AI & Machine Learning

Experience level

5-10

Date posted

2026-08-13

Job description

📍 Ubicación: Las Rozas, Madrid – Calle Jacinto Benavente

🏢 Modalidad: Híbrida, 1 día presencial por semana

💼 Proyecto: Machine Learning / MLOps / Data Engineering

Buscamos un/a Machine Learning Engineer / MLOps con experiencia sólida en GCP, Python, industrialización de modelos y grandes volúmenes de datos , capaz de llevar modelos desde la experimentación hasta producción.

🔥 Requisitos imprescindibles

☁️ GCP / Vertex AI

Experiencia sólida y demostrable con Vertex AI .

Vertex AI Pipelines, Model Registry y Workbench.

Despliegue y gestión de modelos en producción.

Experiencia avanzada con BigQuery : optimización de consultas, procesamiento distribuido y conectores externos.

🐍 Python / Software Engineering

Nivel avanzado de Python .

Desarrollo de código modular, desacoplado, mantenible y testeable.

Programación concurrente.

Git, testing automatizado, code reviews y gestión de dependencias.

🤖 Machine Learning

Desarrollo de modelos predictivos sobre millones de registros .

Experiencia con LightGBM, XGBoost, CatBoost o similares.

Optimización de entrenamiento e inferencia.

⚙️ MLOps

Industrialización de modelos desde notebooks/Workbench hasta producción.

Pipelines automatizados.

Versionado de modelos.

Despliegues reproducibles.

Monitorización de modelos.

🔄 DevOps

Docker.

CI/CD: GitHub Actions, GitLab CI o similares.

Automatización de despliegues y gestión de entornos ML.

📊 Data Engineering

Construcción de pipelines de datos para entrenamiento e inferencia.

Optimización de procesos ETL/ELT .

Gestión y procesamiento de grandes volúmenes de datos.

⭐ Se valorará especialmente

Experiencia en Forecasting / Series Temporales .

Previsión de demanda con alta cardinalidad.

Estacionalidades, promociones y eventos.

Estrategias cold-start .

Deep Learning aplicado a forecasting: TFT, TiDE, PatchTST, TimesFM, Chronos, Transformers .

GenAI / LLMOps: RAG, agentes, evaluación de modelos, prompt engineering y observabilidad.

Optimización de hiperparámetros con Optuna, Ray Tune o similares.

Paralelización de entrenamiento y optimización de inferencia.

Optimización de costes computacionales.