ML Engineer para modelado predictivo de rendimiento agrícola
Universidad de San Andrés > Departamento de Ingeniería > Centro de Innovación Tecnológica·
Ubicación: Victoria, Buenos Aires.
Posibilidad de teletrabajo.
Modalidad: Part-time
Duración: 6 meses con posibilidad de continuidad · Inicio: Octubre ****
Desde el Centro de Innovación Tecnológica de la Universidad de San Andrés, buscamos un/a ML Engineer para liderar el desarrollo técnico de un proyecto de investigación aplicada junto a un grupo de empresas líderes del sector agropecuario argentino: predecir el rendimiento de cultivos extensivos combinando datos productivos de campo con información climática, satelital y de suelo.
Es un problema de datos antes que de modelos.
Información generada por maquinaria en condiciones reales, múltiples orígenes, escalas espaciales y temporales distintas.
La primera mitad del trabajo es construir una base confiable y trazable; la segunda, modelar sobre ella con algoritmos de aprendizaje supervisado.
Diseñar el esquema de datos y los pipelines de ingesta, limpieza y QA/QC para fuentes heterogéneas en formato, unidades y calidad.
Estandarizar espacialmente la información georreferenciada e integrarla con datos climáticos, satelitales y de suelo,



construyendo un repositorio de variables derivadas versionado y documentado.
Desarrollar modelos de predicción de rendimiento para distintos momentos del ciclo del cultivo, con salida probabilística.
Definir baselines y protocolos de evaluación rigurosos (validación temporal y espacial) y documentar todo con estándar científico.
Grado o posgrado en Cs.
de la Computación, Ingeniería, Matemática, Física, Estadística o afines.
Experiencia llevando proyectos de ML de punta a punta: de datos crudos y desordenados a modelos evaluados con rigor.
Criterio y autonomía.
Python (pandas, scikit-learn, gradient boosting, PyTorch) y SQL.
Pipelines reproducibles y versionados, y buenas prácticas de ingeniería.
Criterio estadístico para validar en contextos espacio-temporales.
Se valorará: agtech, agricultura de precisión o teledetección; modelado de incertidumbre; datos climáticos de reanálisis y pronóstico; investigación aplicada previa.
Ser la referencia técnica de un proyecto de alto impacto con implementación real y a escala nacional.
Supervisión científica, libertad metodológica y posibilidad de publicar.
#J-*****-Ljbffr

📌 Ml Engineer | Agritech (Buenos Aires)
🏢 Universidad de San Andres
📍 Buenos Aires