ESEN
← Todas las búsquedas

Data Scientist (Machine Learning), semi senior

Detección y satelital · Remoto · Full time

Ir a la postulación →

Trabajás sobre los modelos propios de detección satelital: los mejorás, medís cada cambio con datos y llevás a producción lo que funciona.

Ubicación

Remoto, sin restricción de país. Pedimos al menos 4 horas de solapamiento diario con el horario de Argentina (GMT-3), porque gran parte del trabajo es junto al equipo técnico. Si vivís en Buenos Aires, parte del trabajo puede ser presencial con el equipo.

El rol

Buscamos un Data Scientist con base sólida en machine learning para sumarse a un equipo técnico que hace de todo: detección satelital, cámaras con IA, área quemada y producto. Hoy el problema principal es el pipeline satelital de detección, que corre en producción en 21 países con modelos propios de inteligencia artificial. Vas a trabajar sobre esos modelos, medir cada mejora con datos y llevar a producción lo que funciona.

Reportás al líder del equipo técnico y trabajás junto con el equipo de detección. Los modelos que hoy corren los construyó el equipo desde cero, así que vas a entrar profundo en las arquitecturas, no solo a consumirlas.

El desafío central es resolver problemas que hoy no tienen solución establecida. Buscamos una mentalidad investigativa aplicada, donde el éxito se mide cuando el prototipo termina implementado y funcionando en producción.

El equipo es chico y horizontal. Además de satelital, vas a tocar otros frentes cuando haga falta.

Qué vas a hacer

  • Mejorar los modelos de detección satelital: segmentación, super-resolution, clasificación y change detection. Según el caso, ajustar lo que ya tenemos, modificar arquitecturas o entrenar desde cero.
  • Bajar falsos positivos y subir recall, con mediciones sistemáticas por región y por fuente satelital. Cada cambio de modelo se justifica con datos, no con intuición.
  • Diseñar y mantener benchmarks reproducibles contra ground truth (perímetros oficiales, FEDS, FIRED, Copernicus EMS), con reportes de precisión y recall por capa del pipeline.
  • Mejorar el cálculo de perímetros y área quemada a partir de detecciones satelitales. Es la base del producto para aseguradoras.
  • Construir productos de datos vendibles fuera de la temporada de fuego: monitoreo de deforestación, degradación de canopy, series temporales de NDVI y NDWI.
  • Generar reportes de detección para prospects con las metodologías del equipo y sumarte a llamadas con clientes cuando la conversación es técnica.
  • Dar una mano en otros frentes cuando el equipo lo necesita: cámaras con IA, infraestructura del pipeline, integraciones.
  • Documentar, dejar los pipelines reproducibles y hacer code review activo con el resto del equipo.

Requisitos

  • Formación en ciencias de la computación, ingeniería en sistemas o informática, o carreras afines. Estudiante avanzado o graduado.
  • Experiencia entrenando, evaluando y ajustando modelos de deep learning sobre imagen con PyTorch o TensorFlow. No solo consumir modelos preentrenados: modificar arquitecturas y entrenar desde cero cuando hace falta.
  • Python avanzado y código que se pueda mantener y desplegar. Notebooks para explorar, código para producir.
  • Experiencia diseñando benchmarks: definir métricas, ground truth y baselines, y reportar resultados honestos aunque no sean los esperados.
  • Haber llevado un modelo a producción o a algo que otras personas usen, aunque sea chico.
  • Inglés técnico para leer papers y documentar.

A quién buscamos

  • Te mandás. Frente a un problema nuevo, armás un prototipo esta semana, lo medís y después decidís si vale la pena perfeccionarlo.
  • Iterás rápido y sin miedo a fallar. Un experimento que no funciona y te enseña algo vale más que un mes de planificación.
  • Explicás y defendés tus decisiones técnicas con datos. Si te preguntan por qué elegiste A sobre B, tenés una respuesta.
  • Tenés curiosidad. Probás caminos distintos sin que nadie te lo pida y traés propuestas, no solo entregas.
  • Trabajás en pareja. Pair programming, code review, pedís y das feedback sin vueltas.
  • Usás IA como parte de tu forma de trabajar: agentes de código, síntesis de papers, análisis exploratorio. Te multiplica el output, no te reemplaza el criterio.
  • Te acomoda un equipo chico donde todos tocan todo. No hay un rol cerrado esperándote, y parte del trabajo es definirlo.
  • Te importa el problema. Querés entender cómo se comporta el fuego, por qué un satélite lo ve o no lo ve, y qué hace un brigadista con la alerta.

Suma puntos

  • Publicaciones, tesis o trabajos open source verificables.
  • Experiencia trabajando en problemas de investigación.
  • Experiencia con imágenes satelitales o datos geoespaciales: rasterio, xarray, geopandas, GDAL, PostGIS.
  • Manejo de índices espectrales (NDVI, NDWI, NBR) y operaciones raster y vector.
  • Haber trabajado con fuentes como MODIS, VIIRS, GOES, Sentinel-2/3, Landsat o Meteosat.
  • Datos de incendios (perímetros, hotspots, FRP) o de cambio de uso de suelo.
  • U-Net y variantes, transformers visuales o super-resolution sobre imagen satelital.
  • AWS (S3, Lambda, EC2) y pipelines serverless.

Stack que usamos

Python (pandas, geopandas, rasterio, xarray, shapely), PostGIS, GDAL, Sentinel Hub, FIRMS API, LSA-SAF. ML con PyTorch, TensorFlow y scikit-learn; modelos propios de super-resolution y segmentación entrenados desde cero sobre imagen satelital. AWS (Lambda, EC2, S3, API Gateway) con pipelines batch y de actualización cada 10 minutos. GitHub y agentes de IA para desarrollo.

Qué ofrecemos

  • Compensación en USD.
  • 15 días hábiles de vacaciones pagas.
  • Una misión con consecuencias reales. Tus modelos generan detecciones que llegan a brigadistas y reducen el daño en incendios reales.
  • Datasets satelitales a escala continental y libertad para experimentar sobre ellos.
  • Objetivos definidos desde el día uno y revisión de rol y compensación a los 12 meses contra esos objetivos.
  • Trabajo remoto con flexibilidad horaria. Equipo global con hubs en América y Europa.

Cómo sigue

Completás el formulario de acá abajo. De ahí en adelante el proceso son seis etapas:

  1. Screening. Revisamos tu perfil y tus respuestas.
  2. Entrevista de trayectoria. Recorremos tu carrera en detalle, puesto por puesto.
  3. Challenge. Un ejercicio acotado sobre el trabajo real del rol.
  4. Entrevista con el CEO.
  5. Referencias.
  6. Oferta.