Overview
En Kashio desarrollamos tecnología financiera para que las empresas adopten pagos digitales y automaticen sus operaciones de CxC y CxP. Acompañamos a 500+ clientes en educación, finanzas, real estate, utilities y más, y estamos próximos a operar en 5 mercados. Construimos una plataforma segura, intuitiva y de alto desempeño; nuestra cultura valora la propiedad (ownership), la colaboración, el aprendizaje continuo y el impacto.
El desafío
Buscamos un / a Senior AI / ML Engineer para crear, integrar y escalar servicios y experiencias de producto impulsadas por IA sobre nuestros flujos de pagos y conciliaciones. Tu trabajo conectará PSPs y pasarelas, orquestará eventos y webhooks con idempotencia, y llevará a producción features de ML / GenAI (detección de anomalías, scoring de riesgo, RAG sobre datos financieros, automatizaciones de cobranza) con MLOps real.
Lo que harás
Responsabilidades Principales (80% del tiempo)
1. Servicios de IA en Producción (40%)
- Diseñar, entrenar y desplegar modelos de ML / DL / GenAI (LLMs).
- Versionar modelos con MLflow y monitorear deriva / latencia en producción.
- Exponer inferencias vía APIs y microservicios (REST / gRPC) con versionado.
- Optimizar costos y latencia de inferencias en producción.
- Implementar seguridad OAuth2 / JWT, idempotencia y rate-limiting, conciliaciones, scoring.
- Construir arquitecturas event-driven (SQS / SNS / Kafka) con retries / backoff.
- Colaborar con frontend para consolas de monitoreo de IA y vistas de conciliación inteligente.
- Implementar explicabilidad (feature importance, SHAP / metrics) en modelos y vistas.
- Priorizar UX, performance y accesibilidad en integraciones de IA.
4. MLOps & Calidad (10%)
Implementar trazabilidad y Data Lineage, tests de datos (contract, schema).Proyectos de Ejemplos en los que Podrías Trabajar
1. Sistema RAG para Consultas Financieras : Construir sistema de búsqueda semántica sobre transacciones usando embeddings (OpenAI / Cohere) y vector DB (OpenSearch / pgvector) para permitir consultas naturales sobre datos financieros.2. Modelo de Scoring de Riesgo : Desarrollar modelo ML para priorizar cobranzas usando features históricas (tasa de pago, monto, antigüedad) y desplegarlo en producción con monitoreo continuo.3. Detección de Anomalías en Tiempo Real : Implementar sistema de detección de transacciones sospechosas usando modelos de ML en producción.4. Automatización de Conciliaciones : Usar NLP y matching fuzzy para automatizar matching de referencias entre transacciones de PSPs y registros contables.5. Chatbot Asistido por LLM : Construir asistente interno para soporte sobre procesos de pago usando fine-tuning o RAG sobre documentación interna.Colaborar en desarrollo frontend (React + TypeScript) para dashboards.Trabajar con Producto, Operaciones, Compliance y PSPs.Participar en ceremonias ágiles, escribir RFCs y realizar code reviews.Sensibilidad PCI DSS e ISO 27001.Tecnologías Core (Must Have)
Datos : SQL avanzado (PostgreSQL / MySQL)Seguridad : Firma y validación de webhooksTecnologías Importantes (Should Have)
MLflow avanzado, Feature Store (SageMaker / Feast)React + TypeScript (básico, puede aprenderse)Tecnologías Plus (Nice to Have)
Frontend avanzado (React Query / Zustand / Redux, Tailwind, Jest / RTL)5+ años de experiencia técnica total3+ años aplicando ML / AI en producción (ML clásico y / o DL / GenAI)2+ años desarrollando backend (Node.js / Python)Experiencia en cloud (AWS preferido, mínimo Lambda / ECS + SQS / SNS + API Gateway + S3 + CloudWatch)Python y SQL avanzadosExperiencia real con LLMs / embeddings / RAG y MLOps (MLflow / SageMaker / Pipelines / Vertex Pipelines)Mentalidad de seguridad y performance : idempotencia, concurrencia, timeouts, retries, backoff, circuit breakersDestacarias si conoces y / o posees experiencia en
Integraciones con PSPs de LATAM (webhooks, settlement, conciliaciones, tokenización)Experiencia aplicando IA a FinOps (detección de anomalías, scoring de riesgo)Sensibilidad regulatoria LATAM + familiaridad PCI DSS / ISO 27001Experiencia construyendo UIs internas (dashboards / console) para monitoreo de modelosPensamiento sistémico : entender impacto de modelos ML en flujos de negocio y experiencia de usuarioComunicación técnica : explicar modelos complejos y decisiones técnicas a stakeholders no técnicosOwnership : responsabilidad end-to-end desde diseño hasta monitoreo en producciónMentalidad de producto : balancear perfección técnica con velocidad de entrega y valor de negocioResiliencia : manejar presión de sistemas en producción 24 / 7, debugging bajo presiónCuriosidad y aprendizaje continuo : mantenerse actualizado en GenAI / LLMsAsertividad : obsesión con calidad, seguridad y observabilidad#J-18808-Ljbffr