Practicante de Científico Aplicado

Descripción

Resumen: Este puesto de Practicante de Científico Aplicado implica investigar, experimentar y desarrollar soluciones basadas en datos y en aprendizaje automático para mejorar los mapas y los puntos de interés (POI) de TomTom, adquiriendo experiencia práctica con problemas del mundo real. Aspectos destacados: 1. Aplicar métodos científicos y analíticos a problemas reales y de gran escala 2. Trabajar en enfoques de aprendizaje automático (ML) e inteligencia artificial (IA) para la coincidencia de entidades, el análisis de direcciones y la calidad de los datos 3. Colaborar en un equipo multifuncional con datos geoespaciales a escala productiva El Practicante de Científico Aplicado del equipo MAPS POIs contribuye a la investigación, experimentación y desarrollo de soluciones impulsadas por datos y por el aprendizaje automático que mejoran la precisión, cobertura y usabilidad de los mapas y los puntos de interés (POI) de TomTom. Esta práctica te brinda experiencia práctica aplicando métodos científicos y analíticos a problemas del mundo real a gran escala, trabajando junto a científicos aplicados e ingenieros en desafíos que impactan directamente los productos de TomTom. ### **Qué harás:** Trabajarás integrado en el equipo de POI en tareas concretas de investigación e ingeniería, bajo la orientación de ingenieros/científicos senior. Tú: * Explorarás y experimentarás con enfoques de aprendizaje automático (ML) e inteligencia artificial (IA) para resolver problemas propios del dominio de los POI, como la coincidencia de entidades, el análisis de direcciones, la evaluación de la calidad de los datos o el análisis de cobertura * Implementarás y evaluarás modelos y soluciones algorítmicas sobre conjuntos de datos geoespaciales reales y de gran escala * Diseñarás y ejecutarás experimentos, analizarás los resultados y traducirás los hallazgos en conclusiones claras, recomendaciones e implementaciones concretas * Formarás parte del desarrollo de tuberías de datos y herramientas que apoyen el entrenamiento, la evaluación y el análisis de modelos * Colaborarás con científicos aplicados, ingenieros y partes interesadas del producto para comprender los requisitos e integrar tu trabajo en el flujo de trabajo general del equipo * Documentarás claramente los experimentos, las metodologías y los resultados para facilitar el intercambio de conocimientos dentro del equipo ### **Qué necesitarás:** * Estar actualmente inscrito en un **programa de máster** en Ciencias de la Computación, Ciencia de Datos, Inteligencia Artificial, Aprendizaje Automático o un campo relacionado * Conocimientos sólidos de los fundamentos del aprendizaje automático: aprendizaje supervisado/no supervisado, evaluación de modelos e ingeniería de características * Experiencia práctica con frameworks de aprendizaje automático como PyTorch, TensorFlow o scikit-learn (procedente de cursos, investigación o proyectos personales) * Competencia avanzada en programación en Python; experiencia con bibliotecas de manipulación de datos (pandas, NumPy, Spark es un plus) * Conocimientos básicos de procesamiento del lenguaje natural (NLP) o de métodos basados en incrustaciones (embeddings) (por ejemplo, Sentence Transformers, modelos basados en BERT) constituyen una ventaja significativa * Interés por los datos geoespaciales, los sistemas de puntos de interés (POI), las direcciones o la inteligencia de ubicación * Mentalidad analítica, capaz de diseñar experimentos, interpretar críticamente los resultados y comunicar claramente los hallazgos * Capacidad de colaboración y curiosidad: sentirse cómodo haciendo preguntas, trabajando de forma iterativa y aprendiendo a partir de la retroalimentación ### **Qué aprenderás:** Al finalizar la práctica, habrás: * Trabajado con datos geoespaciales y de puntos de interés (POI) a escala productiva, con un impacto empresarial real * Adquirido experiencia en todo el ciclo experimental de aprendizaje automático: desde la formulación del problema y el análisis de datos hasta el desarrollo y la evaluación de modelos * Profundizado tu comprensión del aprendizaje automático aplicado en un dominio donde la calidad de los datos, su escala y su complejidad semántica constituyen desafíos centrales * Colaborado en un equipo multifuncional integrado por científicos, ingenieros y gestores de producto Podemos utilizar herramientas de inteligencia artificial (IA) para apoyar ciertas etapas del proceso de contratación, como la revisión de solicitudes, el análisis de currículums o la evaluación de respuestas. Estas herramientas asisten a nuestro equipo de reclutamiento, pero no sustituyen el juicio humano. Las decisiones finales de contratación son tomadas exclusivamente por personas. Si deseas más información sobre cómo se procesan tus datos, contáctanos.