¿Qué hacen Data Scientist y ML Engineer? Modelos que llegan a producción

Un Data Scientist encuentra señal en los datos y prototipa modelos que predicen o clasifican. Un ML Engineer convierte modelos prometedores en sistemas de producción fiables: pipelines de entrenamiento, serving, monitorización y rollback. En equipos pequeños una persona puede cubrir ambos.

Le explico el puesto con claridad: qué hace la persona de verdad, qué competencias importan y cuándo conviene contratarla, sin jerga vacía.

Qué hace en el día a día

En una semana típica, el puesto cubre:

• Enmarcar problemas de ML, preparar features, entrenar y evaluar modelos.
• Correr experimentos y comunicar la incertidumbre con honestidad.
• Desplegar servicios de modelo, jobs por lotes y pipelines de features (ML Eng).
• Tras el lanzamiento, vigilar drift, latencia, coste e impacto de negocio.
• Con producto, elegir casos en los que ML gana a las reglas.

Competencias que de verdad importan

Las herramientas cambian; lo de fondo sigue valiendo:

• Python, bibliotecas de estadística/ML, seguimiento de experimentos
• Para ML Eng: serving, contenedores, MLOps, pipelines de datos
• SQL fuerte y olfato de datos; enmarcar el dominio
• Para apps LLM: evaluación, RAG, guardrails, control de coste

Cuándo merece la pena contratar

Cuando reglas y paneles no bastan: recomendaciones, previsión, fraude, ranking o funciones LLM que hay que evaluar y operar, no demos una vez.

En síntesis

El fallo caro es un notebook que nunca llega a ser un servicio monitorizado. Contrate para el camino a producción, no solo para diapositivas de accuracy.