Responsabilidades Principales:

• Diseñar e implementar la arquitectura de datos para productos y servicios de software.
• Liderar el desarrollo de modelos de IA integrados en el producto (recomendadores, predictores, asistentes, detección de anomalías, etc.).
• Coordinar equipos de data science, data engineering y MLOps.
• Promover el uso de analítica avanzada y la escalabilidad del software.
• Supervisar la gobernanza de datos: calidad, disponibilidad, privacidad y seguridad.
• Identificar oportunidades de mejora o innovación a través de IA y datos dentro del stack de software.
• Evaluar e integrar herramientas open-source y servicios cloud (AWS, Azure, GCP) para acelerar desarrollos de IA y analítica.
• Asegurar la alineación de los modelos de IA con principios éticos, de transparencia y regulación.
• Impulsar la cultura data-driven en el equipo de desarrollo de producto y tecnología.

Medir y comunicar el impacto de los desarrollos de IA y Datosen métricas de negocio.

Conocimientos Técnicos:

• Lenguajes: Python, SQL, Git, conocimientos de APIs REST.
• Modelado con frameworks como Scikit-learn, TensorFlow, PyTorch.
• Arquitectura de datos en la nube (AWS Redshift, GCP BigQuery, Azure Synapse, etc.).
• CI/CD aplicado a modelos de IA (MLOps con MLflow, Kubeflow, etc.).
• Herramientas de visualización: Quicksight, Looker, Power BI o similares.
• Conocimientos en DevOps y microservicios son un plus.

Habilidades y Competencias:

• Mentalidad de producto: comprensión del impacto de los datos e IA en UX y negocio.
• Visión estratégica y orientación a resultados.
• Capacidad de liderazgo técnico y mentoría a perfiles junior.
• Comunicación clara con equipos de ingeniería, producto y negocio.
• Agilidad para adaptarse a entornos cambiantes y tecnologías emergentes.
• Pensamiento crítico y ético en el uso de IA.

Indicadores de Éxito (KPIs):

• Modelos de IA en producción con impacto medible (conversiones, retención, IPN, etc.).
• Tiempo medio de desarrollo e integración de modelos en producto.
• Calidad y disponibilidad de los datos utilizados por el producto.
• Aumento en el uso de analítica por parte de los equipos de desarrollo y negocio.
• Reducción de bugs o errores relacionados con datos en entornos productivos.
• Cumplimiento normativo (si aplica) y buenas prácticas en manejo de datos de usuarios.