Machine Learning Engineer Sr
Hace 3 días
Las Condes Santiago Metropolitan Region, RM, Chile
Itaú Chile
Jornada completa
Gratis con email o Google
Guarda esta oferta y sigue tu búsqueda
Crea una cuenta gratis para guardar empleos, crear alertas y volver a esta oferta desde tu panel.
Gratis con email o Google
Al continuar, aceptas nuestros Términos & Política de Privacidad.
Machine Learning Engineer AML Senior 🤖
🚀 Ven a transformar la prevención del lavado de activos con Machine Learning
En Itaú Chile estamos avanzando hacia una nueva forma de abordar los desafíos de AML, incorporando inteligencia artificial, automatización y analítica avanzada para fortalecer nuestros procesos de monitoreo y detección de riesgos. Este desafío se enmarca en la Estrategia AML 2030, que busca migrar hacia un modelo AML autónomo con control humano.
Buscamos un/a
Machine Learning Engineer AML Senior
con motor propio, comprometido/a y con sensibilidad AML, que quiera impulsar la transformación AML diseñando, desarrollando e implementando modelos capaces de detectar patrones complejos, anomalías y redes transaccionales, contribuyendo a una gestión AML más inteligente, efectiva y trazable.
¿Cuál será tu desafío?
- Diseñar y desarrollar modelos de Machine Learning para monitoreo transaccional, detección de anomalías, segmentación de clientes y priorización de alertas.
- Implementar técnicas de clasificación, clustering, anomaly detection y graph analytics para identificar tipologías de LA/FT, tales como redes de testaferros y estructuras de fraccionamiento.
- Optimizar modelos mediante feature engineering, selección de variables y estrategias de reducción de falsos positivos y de la carga operacional manual.
- Construir pipelines MLOps end-to-end para entrenamiento, validación, despliegue y monitoreo de modelos, automatizando el reentrenamiento y la revalidación conforme cambian los patrones de riesgo, la regulación o los datos.
- Integrar modelos en plataformas de monitoreo transaccional, gestión de casos y workflows AML.
- Implementar herramientas de explicabilidad como SHAP o LIME, asegurando trazabilidad frente a auditorías, reguladores (CMF, UAF) y procesos de validación, y documentando metodología, fuentes de datos, variables y supuestos de cada modelo.
- Trabajar junto a equipos de Compliance, Riesgo, Tecnología, Data Engineering y Validación de Modelos, participando en la gobernanza de modelos (por ejemplo, la Comisión Técnica de Evaluación de Modelos) y respondiendo las observaciones de validación.
- Escalar a supervisión humana experta los casos en que el modelo presente incertidumbre, limitaciones o desviaciones, documentándolos para la mejora continua. ¿Qué buscamos?
- Experiencia de 4 a 6 años desarrollando modelos de Machine Learning, idealmente en servicios financieros, fraude, compliance, AML o industrias reguladas.
- Manejo avanzado de Python y SQL .
- Experiencia con PyTorch, TensorFlow, scikit-learn, XGBoost o LightGBM .
- Conocimientos en Spark, MLOps, MLflow, Docker, Airflow o Kubeflow .
- Experiencia en anomaly detection, graph analytics, feature engineering y procesamiento de grandes volúmenes de datos.
- Capacidad para explicar modelos complejos a audiencias técnicas y de negocio.
- Mirada crítica sobre sesgos, limitaciones, desempeño y riesgo de modelo.
- Sensibilidad AML: conocimiento de monitoreo transaccional, tipologías de LA/FT y clasificación de riesgo de clientes, y compromiso con la ética y la integridad (deseable experiencia en LATAM).
- Familiaridad con estándares de validación independiente, documentación metodológica, niveles de gobernanza y gestión de riesgo de modelo.
- Compromiso, motor propio y capacidad para impulsar la transformación, con adaptabilidad para desempeñarse en un entorno dinámico, en constante evolución y altamente desafiante.
- Diseñar y desarrollar modelos de Machine Learning para monitoreo transaccional, detección de anomalías, segmentación de clientes y priorización de alertas.
- Implementar técnicas de clasificación, clustering, anomaly detection y graph analytics para identificar tipologías de LA/FT, tales como redes de testaferros y estructuras de fraccionamiento.
- Optimizar modelos mediante feature engineering, selección de variables y estrategias de reducción de falsos positivos y de la carga operacional manual.
- Construir pipelines MLOps end-to-end para entrenamiento, validación, despliegue y monitoreo de modelos, automatizando el reentrenamiento y la revalidación conforme cambian los patrones de riesgo, la regulación o los datos.
- Integrar modelos en plataformas de monitoreo transaccional, gestión de casos y workflows AML.
- Implementar herramientas de explicabilidad como SHAP o LIME, asegurando trazabilidad frente a auditorías, reguladores (CMF, UAF) y procesos de validación, y documentando metodología, fuentes de datos, variables y supuestos de cada modelo.
- Trabajar junto a equipos de Compliance, Riesgo, Tecnología, Data Engineering y Validación de Modelos, participando en la gobernanza de modelos (por ejemplo, la Comisión Técnica de Evaluación de Modelos) y respondiendo las observaciones de validación.
- Escalar a supervisión humana experta los casos en que el modelo presente incertidumbre, limitaciones o desviaciones, documentándolos para la mejora continua. ¿Qué buscamos?
- Experiencia de 4 a 6 años desarrollando modelos de Machine Learning, idealmente en servicios financieros, fraude, compliance, AML o industrias reguladas.
- Manejo avanzado de Python y SQL .
- Experiencia con PyTorch, TensorFlow, scikit-learn, XGBoost o LightGBM .
- Conocimientos en Spark, MLOps, MLflow, Docker, Airflow o Kubeflow .
- Experiencia en anomaly detection, graph analytics, feature engineering y procesamiento de grandes volúmenes de datos.
- Capacidad para explicar modelos complejos a audiencias técnicas y de negocio.
- Mirada crítica sobre sesgos, limitaciones, desempeño y riesgo de modelo.
- Sensibilidad AML: conocimiento de monitoreo transaccional, tipologías de LA/FT y clasificación de riesgo de clientes, y compromiso con la ética y la integridad (deseable experiencia en LATAM).
- Familiaridad con estándares de validación independiente, documentación metodológica, niveles de gobernanza y gestión de riesgo de modelo.
- Compromiso, motor propio y capacidad para impulsar la transformación, con adaptabilidad para desempeñarse en un entorno dinámico, en constante evolución y altamente desafiante.