Modeling Engineer

Primero, un poco de contexto 🔬

Inverence nació en 2018 de la mano de un grupo de profesionales de la ciencia de datos y la academia. Todos compartían una convicción que hoy sigue siendo su ADN: la estadística basada en información dinámica y el paradigma bayesiano debe tener un papel central en el futuro de la Inteligencia Artificial.

Su forma de trabajar se inspira en el método científico. El foco está en la modelización, no solo en los algoritmos, y para ellos la interpretabilidad de un resultado importa tanto como su precisión. Construyen modelos dinámicos que evolucionan en el tiempo, se actualizan con cada nuevo dato e incorporan lo que el cliente ya sabe de su negocio.

Su catálogo de retos da para rato:

• 📊 Marketing Mix Modeling: medir cuánto aporta realmente cada euro invertido y cada palanca comercial a las ventas.
• 📦 Oferta y demanda: anticipar la demanda para ajustar precios, inventario, capacidad y recursos.
• 🌫️ Contaminación atmosférica: predicción horaria con redes neuronales, para que las ciudades activen sus protocolos antes del episodio y no durante.
• 🐟 Y lo que venga: desde un modelo dinámico de un ecosistema marino para la Administración hasta patrones de movilidad internacional en la base de datos de una aerolínea.

Todo esto con llull, una plataforma agéntica en desarrollo que permite a los/as modeladores/as crear, gestionar y poner en producción los modelos creados para los clientes. Así mismo, permite interpelar en lenguaje natural con los modelos desde el punto de vista técnico (estadístico y matemático) y de negocio, por lo que el cliente puede interaccionar con el modelo de una manera más cercana. Es una plataforma de aprendizaje que construye un corpus de conocimiento del mercado y del propio cliente. 

🫵 ¿Cuál es tu papel en todo esto?

Te lo contamos con un caso real. Una operadora de telecomunicaciones quería optimizar su inversión publicitaria. El equipo construyó modelos de series temporales con variables de marketing, precio y calendario. La inferencia bayesiana garantizaba algo que un modelo "de caja" no asegura: que los resultados tuvieran sentido de negocio, y no solo un buen ajuste.

Ese es el trabajo. No buscan un perfil "data" que se limite a informes y visualización, ni a alguien que lance un AutoML y cruce los dedos. Buscan a alguien capaz de escuchar un problema, traducirlo a un modelo estadístico, justificar cada supuesto y defenderlo delante del cliente. Por