Machine Learning Engineer — Remoto - LATAM — EdTech - Python, TensorFlow, PyTorch, AWS

Descripción del puesto

Sobre la vacante

Crehana, la plataforma líder de educación online en Latinoamérica, está buscando un Machine Learning Engineer para unirse a su equipo de IA en 2026. Esta es una oportunidad para trabajar en proyectos innovadores que transforman la experiencia de aprendizaje a través de inteligencia artificial.

Requisitos clave:

• Experiencia sólida en desarrollo de modelos de machine learning
• Dominio de Python y frameworks como TensorFlow o PyTorch
• Conocimiento en procesamiento de datos y pipelines de ML
• Experiencia con servicios cloud (AWS, GCP o Azure)
• Capacidad para colaborar en equipos multidisciplinarios

Beneficios:

• Trabajo 100% remoto
• Cultura de innovación y crecimiento
• Proyectos de alto impacto en educación
• Oportunidades de desarrollo profesional

¿Por qué deberías aplicar?

Crehana está en un momento de expansión de su squad de IA, donde podrás trabajar en proyectos que realmente impactan la educación de millones de personas en Latinoamérica. No solo desarrollarás modelos avanzados, sino que verás cómo tu trabajo se traduce en mejores experiencias de aprendizaje. Es la oportunidad perfecta para crecer profesionalmente en una de las edtechs más importantes de la región mientras trabajas con las últimas tecnologías de inteligencia artificial.

Tips y consejos de VacantesDigitales.com

Skills indispensables

• Python avanzado con énfasis en librerías de data science
• TensorFlow/PyTorch para desarrollo de modelos deep learning
• AWS SageMaker o equivalentes para despliegue de modelos
• Git y CI/CD para ML pipelines
• Comunicación efectiva para explicar modelos complejos a stakeholders no técnicos

Tips prácticos para este puesto

• Prepara tu portafolio con proyectos de ML que hayas desarrollado, idealmente con código disponible en GitHub
• Domina los fundamentos de estadística y álgebra lineal - son cruciales para entrevistas técnicas
• Familiarízate con MLOps - las empresas valoran mucho saber llevar modelos a producción
• Practica coding challenges específicos de ML en plataformas como LeetCode o HackerRank

Recursos recomendados

• Cursos: Machine Learning Specialization (Coursera), Fast.ai
• Libros: "Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow"
• Influencers: Andrew Ng, Cassie Kozyrkov, Chip Huyen
• Herramientas: MLflow para experiment tracking, Weights & Biases para visualización
• Comunidades: Kaggle, ML Reddit, local meetups de ML

Preguntas frecuentes en entrevistas para este rol

1. "Explícame la diferencia entre overfitting y underfitting, y cómo los detectas" *Tip:* Explica con ejemplos concretos y menciona técnicas como cross-validation y learning curves. Demuestra que entiendes el trade-off bias-variance.

2. "¿Cómo optimizarías un modelo que tiene buen accuracy pero mal recall en producción?" *Tip:* Habla de métricas de negocio, threshold adjustment, y técnicas de sampling. Menciona que primero entenderías el impacto business del problema.

3. "Describe tu proceso para llevar un modelo de Jupyter notebook a producción" *Tip:* Estructura tu respuesta en fases: data validation, model packaging, testing, deployment (CI/CD), monitoring. Menciona herramientas específicas que has usado.

Rango salarial estimado (LATAM)

Basado en datos de Glassdoor, Computrabajo, GetOnBoard y el mercado actual: | Nivel | Rango mensual USD | |-------|-------------------| | Junior | $1,800 - $2,800 | | Mid | $2,800 - $4,200 | | Senior | $4,200 - $6,500 |

*Nota: Varía según país, empresa, modalidad (remoto internacional paga más) y tecnologías específicas. Empresas de USA/EU pagando en LATAM suelen ofrecer 30-50% más. Para roles senior en empresas como Crehana, el rango puede llegar hasta $7,000-8,000 USD mensuales.*

Red flags a considerar

1. Equipo de IA sin data scientists o data engineers *Qué preguntar:* "¿Cuál es la composición actual del squad de IA? ¿Hay data engineers dedicados?" Si el equipo es solo ML engineers sin soporte de datos, podrías terminar haciendo trabajo de múltiples roles.

2. Falta de infraestructura MLOps *Qué investigar:* Pregunta sobre sus pipelines de ML, herramientas de experiment tracking, y cómo monitorean modelos en producción. Si todo es manual en notebooks, será difícil escalar.

3. Proyectos de IA sin impacto medible *Señal de advertencia:* Si hablan de "innovación" pero no pueden mostrar métricas de negocio impactadas por sus modelos anteriores. Pregunta por casos de éxito concretos con KPIs mejorados.