¿Por qué este es el puesto perfecto para ti?

• Diseñar, desarrollar e implementar gemelos digitales, modelos híbridos y modelos de machine learning aplicados a procesos industriales.
• Colaborar con expertos de proceso para entender el funcionamiento de los activos, identificar variables relevantes e incorporar conocimiento físico/químico en las soluciones analíticas
• Formular e implementar problemas de optimización matemática, definiendo variables de decisión, restricciones, función objetivo y criterios de validación.
• Desarrollar pipelines end-to-end en Python y AWS, cubriendo preparación de datos, feature engineering, entrenamiento, validación, evaluación y despliegue de modelos.
• Asegurar que las soluciones sean escalables, mantenibles, trazables y seguras, siguiendo buenas prácticas de ingeniería de software y datos.
• Comunicar resultados, hipótesis, limitaciones y recomendaciones a stakeholders técnicos y de negocio.

¿A quién estamos buscando?

• Formación en Ingeniería Industrial, Ingeniería Química, Física, Matemáticas , o disciplinas afines.
• Se valorará especialmente formación de máster o doctorado en áreas relacionadas con ciencia de datos, modelización, optimización, procesos industriales o energía.
• Experiencia mínima de 3 años en ciencia de datos, modelización avanzada, optimización matemática o soluciones analíticas en entornos industriales.
• Conocimiento de procesos industriales, adquirido por experiencia profesional o formación técnica.
• Experiencia en el desarrollo de gemelos digitales, modelos híbridos, modelos físico-data driven o soluciones de simulación/modelización industrial. 
• Experiencia en el planteamiento, formulación e implementación de problemas de optimización matemática.
• Conocimientos sólidos de Python. 
• Experiencia trabajando en entornos cloud, especialmente AWS.
• Conocimiento de buenas prácticas de desarrollo: Git, testing, documentación, CI/CD y código mantenible.
• Nivel de inglés mínimo B2, con capacidad para trabajar en entornos internacionales y preparar documentación técnica o presentaciones cuando sea necesario.

Sería ideal si además:

• Experiencia específica en procesos relacionados con electrolizadores, energía, química o sistemas industriales complejos.
• Familiaridad con librerías de optimización matemática en Python, como Pyomo, PuLP, OR-Tools u otras herramientas equivalentes.
• Conocimiento de librerías del ecosistema Data Science en Python, como pandas, polars, scikit-learn, scipy, numpy, etc.
• Experiencia con herramientas o servicios de MLOps, como MLflow, Kubeflow, SageMaker... 
• Capacidad para sintetizar resultados técnicos y comunicarlos de forma clara a stakeholders internos y externos.