Marca el ritmo de tu carrera

Líder de Chapter Ciencia de Datos

Buscamos a quien haga que Pragma sepa mucho de ciencia de datos e inteligencia artificial, y convierta ese saber en dos cosas: conocimiento explícito de la casa y pragmáticos habilitados para resolver los problemas de nuestros clientes.

El mercado y el cliente son el destino. Lo que ocurre dentro de Pragma es consecuencia.

Qué Chapter vas a dirigir

Un Chapter es la red de pragmáticos que comparten un rol y resuelven problemas de negocio distintos en clientes distintos. El de Ciencia de Datos son hoy 55 pragmáticos en cinco especialidades: ingeniería de datos, analítica, ciencia de datos, inteligencia artificial y arquitectura de datos. Va a crecer. En Pragma hay Chapters que pasan de cien personas y otros de varios cientos, y el trabajo de dirigirlos cambia de forma a medida que crecen.

Vas a conocer las cinco lo suficiente para dirigir a quien las ejerce. El énfasis creciente está en inteligencia artificial, y se suma a esa base.

De qué responde este Chapter

Los bancos y los retailers con los que trabajamos ya invirtieron en plataformas de datos, en modelos y en herramientas de análisis. Saben más que nunca sobre sus clientes, sus riesgos y sus transacciones. Y cuando llega el momento de decidir, la analítica se quedó en un reporte, la decisión se toma a mano y el criterio cambia entre áreas y canales.

Ahí entra este Chapter. Cuando una decisión del negocio se apoya en datos o en modelos, alguien responde por cuatro obligaciones encadenadas.

Definir antes de medir. El negocio decide qué significa cada cosa que va a contar. El Chapter exige que esa definición exista, que sea una sola y que esté escrita. Un banco con tres definiciones de cliente activo discute el reporte en vez de decidir con él, y multiplica el problema cuando le pone un modelo encima.

Probar que decide bien. El Chapter fija el criterio de éxito antes de construir y repite la evaluación. Cuando la decisión tiene respuesta verificable, la prueba es estadística. Cuando no la tiene, la medición pasa por rúbricas y por juicio, y ahí está el trabajo fino: calibrar ese juicio contra el de un experto y reconocer cuándo dejó de ser confiable. Los modelos se degradan de a poco, así que la prueba sigue mientras el sistema opera.

Saber qué cuesta cada decisión. El Chapter cuenta el costo por decisión resuelta. Una decisión barata repetida un millón de veces define el margen del cliente. Un modelo mayor se justifica cuando el resultado lo paga.

Defenderla después. El chapter produce la evidencia mientras trabaja: con qué información decidió, bajo qué criterio, quién firmó y cómo verificó que la decisión no cargaba un sesgo indebido. Meses más tarde eso se sostiene ante una auditoría, un regulador o el propio cliente. La evidencia que se arma cuando ya la piden llega tarde.

Los modelos de lenguaje y los agentes entran en esta misma disciplina, y son su caso más difícil: medir lo que no tiene una sola respuesta correcta exige más criterio.

Este Chapter construye y escribe código. De aquí salen los modelos, las tuberías de datos, las rutinas de evaluación y los análisis que sostienen una decisión. La plataforma donde todo eso corre y la operación que lo sostiene son de Computer Science. Vas a entender cómo se orquestan, se despliegan y se vigilan los datos y los modelos en producción, y con eso discutes con arquitectura las decisiones de infraestructura que afectan la calidad, el costo y la gobernabilidad de lo que el Chapter construye.

¿A qué retos te enfrentarás?

En Pragma, un frente es una prioridad del negocio de un cliente donde concentramos un equipo para gobernar ese espacio y responder por sus resultados.

• Fijar el criterio con el que Pragma diseña y evalúa las soluciones de inteligencia artificial en los frentes de nuestros clientes, y comprobar que se cumpla.
• Producir junto con el líder del Knowledge Center los estándares y los activos que los frentes reutilizan, y retirar los que dejaron de servir.
• Lograr que el conocimiento del Chapter cambie la forma en que los frentes resuelven. Esa es la medida de un estándar y de un documento.
• Habilitar con criterio y evidencia, junto con el líder del KC, a los consultores que responden por la conversación comercial.
• Dirigir el crecimiento del Chapter con el sistema que ya existe: mapas de crecimiento, embajadores del Chapter y la Academia Pragma. Tu trabajo es que ese sistema funcione para todo el Chapter, cada persona con su ruta escrita y sus conversaciones de desempeño al día, y que siga funcionando cuando el Chapter sea más grande.
• Decidir sobre el desarrollo, el movimiento y el avance de cada pragmático con base en métricas.
• Decidir junto con el líder del KC de Data Science qué tecnologías, marcos de trabajo, estándares y métodos entran al Chapter y cuáles salen, según lo que exige el mercado.
• Lograr que un pragmático nuevo aporte en su equipo en cuestión de semanas.
• Ser referente dentro y fuera de Pragma en charlas y espacios de transferencia de conocimiento, sobre el trabajo que el Chapter ya hizo.
• Definir con el líder del KC y con las otras áreas la dirección, los procesos y los indicadores del Chapter, operarlo con base en esas definiciones y responder por esos indicadores.

¿Qué buscamos en ti?

Tres cosas no se negocian.

Haber llevado a producción al menos un sistema con modelos que tomaba o apoyaba decisiones con consecuencia real para el negocio. No una prueba de concepto ni un piloto: un sistema que operó, que alguien usó para decidir, y donde una decisión equivocada tenía costo.

Ese es el filtro que define quién pasa a entrevista. De ese sistema queremos que expliques:

• Qué decisión producía y qué estaba en juego. Qué problema de negocio movía. Qué acción se tomaba a partir del modelo. Qué consecuencia real tenía acertar o fallar.
• Cómo evaluaste que funcionaba. Con qué prueba decidiste que el sistema servía antes de confiarle la decisión. Qué métrica importaba y por qué esa. Cómo distinguiste una mejora real de una casualidad. Cómo comparaste contra la línea base. Y cómo vigilaste su desempeño en producción para detectar cuándo el modelo se degrada.
• Hasta dónde dejaste que decidiera solo. Dónde pusiste la frontera entre la decisión automática y la humana, y con qué criterio la fijaste. Qué casos escalabas a una persona y por qué. Qué decidiste no automatizar aunque técnicamente pudieras.

Si ese sistema incluía modelos de lenguaje o agentes, cuéntanos cómo lo evaluaste. Medir un sistema sin una sola respuesta correcta es más difícil, y ese caso pesa más.

Estadística con profundidad. Diseño de experimentos, inferencia causal, manejo de incertidumbre y calibración. En concreto: distinguir causa de coincidencia, saber cuánto error carga un número antes de decidir con él, y mirar qué esconde un promedio. Probabilidad y regresión se dan por supuestas.

Liderazgo de personas, ejercido. Cuenta tanto haber sido líder técnico de un equipo como haber tenido personas a cargo. Se verifica con un caso: un equipo que logró algo que antes no podía, y qué hiciste tú para que ocurriera.

Y esperamos que traigas la mayor parte de esto

Nadie llega fuerte en todo. Nos interesa saber dónde estás fuerte y dónde vas a crecer.

• Ciencia de datos ejercida en las cuatro analíticas: descriptiva, diagnóstica, predictiva y prescriptiva. Qué problema del negocio resolviste con cada tipo y qué cambió a partir de eso.
• Criterio para leer los datos antes de confiar en ellos. Modelarlos según el problema del negocio. Distinguir los que sostienen una decisión de los que solo la aparentan. Gobernar su calidad, su privacidad y su cumplimiento, para que el resultado del modelo resista el escrutinio del negocio o de un regulador.
• El ciclo de vida de un modelo dentro de un negocio. Validación que prueba que el modelo sirve antes de confiarle una decisión. Aprobación que autoriza su operación. Vigilancia que detecta cuándo se degrada. Retiro cuando deja de servir. Y la evidencia que hace trazable cada paso.
• Fluidez técnica para dialogar de igual a igual con arquitectura. Entiendes lo que arquitectura propone y lo debates con criterio, sin diseñar la plataforma.
• Profundidad en banca o en retail. Un problema de ese negocio que resolviste y qué estaba en juego. El otro sector suma.
• Python u otro lenguaje de programación, con solvencia para leer y auditar código sin programar a diario.

¿Qué nos encantaría encontrar?

No es necesario, pero suma:

• Conocimiento de marcos y estándares de gobierno de datos e inteligencia artificial.
• Evaluación de modelos de lenguaje y agentes con rúbricas y criterio técnico.
• Métodos para gestionar el conocimiento de un Chapter.
• Conocimiento de estándares regulatorios para banca y retail.
• Casos de uso de inteligencia artificial generativa y agéntica implementados en un negocio.

Dónde y cómo

Trabajas en modelo híbrido, en Colombia. Cada trimestre debes ir a la sede de Medellín, y ese desplazamiento corre por tu cuenta.

Qué ganas

Alcance. Un Chapter entero, en cinco especialidades y en crecimiento.El criterio técnico que fijes deja de ser tuyo: queda escrito y opera en los frentes de todos nuestros clientes, incluso en los que tú no tocas.

Problemas con consecuencia. Trabajamos con bancos y retailers con escala. Lo que decide un modelo acá mueve dinero, aprueba o niega crédito, detiene un fraude y lo revisa un regulador.

Un terreno que apenas está tomando forma. Responder por lo que un sistema decide dentro de un negocio es un oficio que casi nadie ha tenido que ejercer todavía. Acá lo vas a construir con clientes reales, con presupuesto y con consecuencias, en lugar de leerlo.

Por qué este rol y no otro

Muchas organizaciones buscan quién construya sistemas de inteligencia artificial. Nosotros buscamos quién responda por lo que esos sistemas deciden dentro del negocio de un cliente, y quién deje a un Chapter entero capaz de responder por lo mismo.

Si crees que es el problema correcto para los próximos años de tu carrera, postúlate.