Machine Learning Engineer — Presencial - Berlín — B2B Wholesale AI - Python, ML, Data

Descripción del puesto

Sobre la vacante

Plato, respaldado por $14.5M en financiamiento de Atomico, Cherry Ventures y otros, está construyendo el sistema operativo de IA para distribuidores B2B. Buscamos Machine Learning Engineers para unirse a nuestro equipo en Berlín y trabajar en sistemas de producción que integran inteligencia directamente en flujos de trabajo de ventas del mundo real. El rol implica diseñar arquitecturas de ML robustas bajo incertidumbre, liderar equipos de Data & AI, y priorizar la adopción y configurabilidad sobre ganancias marginales en precisión de modelos.

Requisitos clave:

• Experiencia en sistemas de ML en producción con restricciones del mundo real
• Capacidad para diseñar arquitecturas de datos unificadas que absorban exportaciones de ERP heterogéneas
• Conocimiento en modelos de churn, cross-sell y estimación de share-of-wallet bajo observación parcial
• Enfoque en retroalimentación impulsada por acciones de representantes de ventas, no solo clics
• Mentalidad para definir sistemas desde cero en lugar de heredarlos

Beneficios:

• Unirse como uno de los primeros empleados en una startup respaldada por financiamiento significativo
• Trabajar en problemas complejos de distribución mayorista B2B con décadas de datos subutilizados
• Integrar inteligencia directamente en flujos de trabajo de ventas de más de 50 distribuidores
• Bono de referencia de €5,000 por contratación exitosa a tiempo completo

¿Por qué deberías aplicar?

Esta es una oportunidad para dar forma a cómo la IA se integra en flujos de trabajo del mundo real, no solo en dashboards. En lugar de regresar a roles cómodos en big tech, puedes unirte a un equipo que está redefiniendo la distribución mayorista con inteligencia. Aprenderás a tomar decisiones arquitectónicas bajo incertidumbre, liderar equipos de Data & AI, y construir sistemas donde las restricciones del dominio importan más que los puntajes de benchmarks. Es un momento emocionante para unirte a una startup que está convirtiendo datos subutilizados en valor tangible para la industria B2B.

Tips y consejos de VacantesDigitales.com

Skills indispensables

• Habilidades técnicas: Python, arquitectura de ML, modelos de churn y cross-sell, procesamiento de datos heterogéneos, sistemas de retroalimentación en tiempo real
• Soft skills: Liderazgo técnico, toma de decisiones bajo incertidumbre, colaboración con equipos de ventas, priorización de robustez sobre precisión marginal

Tips prácticos para este puesto

• Enfócate en experiencia con sistemas de ML en producción, no solo en proyectos académicos o de investigación
• Prepara ejemplos de cómo has diseñado arquitecturas alrededor de restricciones del dominio específicas
• Investiga el sector de distribución mayorista B2B para entender sus desafíos únicos de datos y flujos de trabajo
• Practica explicar decisiones de compensación entre precisión del modelo y adopción del usuario

Recursos recomendados

• Tools y librerías: Scikit-learn, TensorFlow/PyTorch para modelos personalizados, Apache Airflow para orquestación, herramientas de monitoreo de ML en producción
• Documentación: Mejores prácticas de MLops, casos de estudio de IA en B2B, guías de integración de ERP
• Influencers: Seguir líderes en ML aplicado a ventas y distribución en LinkedIn
• Cursos: Especializaciones en ML en producción, arquitectura de datos para entornos empresariales

Preguntas frecuentes en entrevistas para este rol

• Pregunta 1: "Describe un proyecto donde priorizaste la robustez o configurabilidad sobre la precisión del modelo. ¿Por qué y cuál fue el resultado?"
• Tip: Enfócate en cómo la adopción del usuario o las restricciones del negocio guiaron la decisión, y muestra métricas de éxito más allá de la precisión.

• Pregunta 2: "¿Cómo diseñarías un sistema de ML para datos de ERP heterogéneos con jerarquías de productos inconsistentes?"
• Tip: Discute enfoques como modelos unificados de datos, inteligencia a nivel de categoría en lugar de SKU, y técnicas para manejar señales de compra escasas.

• Pregunta 3: "Explica cómo integrarías la retroalimentación de representantes de ventas en un ciclo de mejora de modelos predictivos."
• Tip: Describe un bucle de retroalimentación donde las acciones de los reps (ej., contactos, cierres) se usan para refinar predicciones futuras, destacando la importancia en entornos B2B.

Rango salarial estimado (LATAM)

Basado en datos de Glassdoor, Computrabajo, GetOnBoard y el mercado actual: | Nivel | Rango mensual USD | |-------|-------------------| | Junior | $2,500 - $4,000 | | Mid | $4,000 - $6,500 | | Senior | $6,500 - $10,000 |

*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 en Berlín, los salarios locales pueden ser más altos, ajustados al costo de vida europeo.*

Red flags a considerar

• Bandera roja 1: Si la empresa prioriza métricas de benchmarks académicos sobre adopción real en flujos de trabajo de ventas.
• Qué preguntar: "¿Cómo miden el éxito de los sistemas de ML más allá de la precisión del modelo? ¿Tienen ejemplos de impacto en ventas o eficiencia operativa?"

• Bandera roja 2: Falta de claridad en cómo se integra la retroalimentación del usuario (ej., representantes de ventas) en el ciclo de mejora de modelos.
• Qué investigar: Revisa estudios de caso o testimonios de clientes para ver si los sistemas están realmente embebidos en workflows o solo en dashboards.

• Bandera roja 3: Arquitecturas de datos rígidas que no pueden absorber la heterogeneidad de sistemas ERP en el sector B2B.
• Señal de advertencia: Enfoque excesivo en técnicas estándar de e-commerce que no se adaptan a señales de compra escasas y jerarquías profundas de productos.