Ingeniero/a de Machine Learning orientado/a a producción, con robusto base en Python y Kubernetes, capaz de desplegar y operar modelos de IA en un entorno corporativo IBM, integrándose con equipos de Data Science y Software Engineering, con foco en sistemas de gestión documental inteligente, observabilidad, estabilidad y cumplimiento de SLAs.
Objetivo del rol
Responsable de operacionalizar, desplegar, monitorizar y mantener modelos de IA en un entorno corporativo basado en Kubernetes (IBM Cloud / IKS), garantizando rendimiento, escalabilidad, estabilidad y trazabilidad, actuando como puente técnico entre Data Science, Software Engineering y negocio.
El foco principal es gestión documental inteligente (OCR, clasificación, extracción, procesamiento de documentos) mediante microservicios de IA.
Conocimientos técnicos fundamentales (core skills)
🔹 Machine Learning aplicado (orientado a producción)
- Comprensión sólida de:
- Pipelines de inferencia
- Diferencia entre entrenamiento e inferencia
- Modelos de clasificación, extracción, OCR, NLP
- Capacidad para:
- Consumir modelos ya entrenados por Data Scientists
- Entender sus limitaciones, latencias y requisitos de recursos
- Experiencia con:
- Modelos pesados (CPU-bound)
- Inferencias síncronas y asíncronas
- Batch vs real-time inference
No se espera que entrene modelos, pero sí que los entienda lo suficiente para desplegarlos correctamente.
🔹 Python avanzado orientado a backend / ML
- Python como lenguaje principal
- Dominio de:
- Programación asíncrona (async/await)
- Concurrencia (threads, event loops, semaphores)
- Gestión de memoria y recursos
- Experiencia integrando:
- Librerías internas de Data Science (SDK corporativo)
- Frameworks de serving (ej. MLServer, FastAPI)
- Capacidad para:
- Detectar cuellos de botella
- Evitar bloqueos de event loop
- Diseñar código “production-safe”
Kubernetes y despliegue en entorno IBM
🔹 Kubernetes (nivel medio–alto)
- Uso y configuración de:
- Pods, Deployments, Services
- ConfigMaps y Secrets
- Requests / Limits de CPU y memoria
- Liveness / Readiness probes
- Comprensión de:
- Escalado horizontal (HPA)
- Comportamiento de múltiples workers
- Impacto del paralelismo en modelos IA
- Capacidad para:
- Ajustar recursos según carga real
- Analizar problemas de saturación o colas
🔹 Entorno IBM Cloud
- Experiencia o familiaridad con:
- IBM Kubernetes Service (IKS)
- IBM Cloud Object Storage
- IBM Log Analysis / LogDNA
- Entender restricciones de:
- Red corporativa
- Proxies (Istio, ingress)
- Seguridad y compliance
Arquitectura de microservicios de IA
- Diseño y operación de:
- Microservicios de inferencia
- APIs REST (FastAPI)
- Integración con:
- Servicios de backend del equipo de Software Engineering
- Sistemas de almacenamiento documental
- Gestión de:
- Versionado de modelos
- Versionado de APIs
- Compatibilidad hacia atrás
- Capacidad para:
- Diagnosticar errores en producción
- Analizar trazas entre servicios
Observabilidad, monitorización y operación
🔹 Monitorización de recursos
- Uso de Grafana para:
- CPU / memoria
- Latencias
- Throughput
- Saturación de workers
- Capacidad para:
- Interpretar métricas
- Ajustar configuración en base a datos reales
🔹 Logging y debugging
- Uso de IBM Log Analysis para:
- Analizar errores en microservicios
- Correlacionar eventos
- Detectar patrones anómalos
- Buenas prácticas de:
- Logging estructurado
- Niveles de log (INFO / WARNING / ERROR)
- Logs seguros (sin datos sensibles)
Gestión documental inteligente (domain knowledge)
- Comprensión funcional de:
- OCR
- Clasificación de documentos
- Extracción de información
- Conversión de formatos (PDF, Office, imágenes)
- Capacidad para:
- Traducir necesidades de negocio a flujos técnicos
- Ajustar pipelines según tipo documental
- Sensibilidad a:
- Calidad del dato
- Casos borde (documentos corruptos, escaneados, grandes volúmenes)
Colaboración inter-equipos
🔹 Con Data Science
- Capacidad para:
- Integrar modelos sin modificar su lógica
- Proponer cambios orientados a producción (no a investigación)
- Comunicación fluida sobre:
- Latencias
- Consumo de recursos
- Limitaciones técnicas
🔹 Con Software Engineering
- Entender:
- Contratos de API
- Requisitos de integración
- SLAs
- Hablar el mismo “lenguaje técnico” que backend engineers
Traducción de negocio a técnico
- Capacidad para:
- Entender requisitos funcionales explicados por Project Managers
- Convertirlos en:
- Requisitos técnicos
- Configuración de servicios
- Métricas observables
- Mentalidad de:
- Prioridad
- Impacto
- Coste vs beneficio técnico
Entorno local y herramientas de desarrollo (Windows)
- Trabajo habitual en Windows:
- Python
- Docker
- IDEs (VS Code, PyCharm)
- Capacidad para:
- Replicar localmente el stack de Kubernetes (parcial)
- Depurar problemas antes de subir a cloud
- Uso de:
- Git
- Entornos virtuales
- Testing básico (unitario / integración)
Soft skills clave (muy importantes en este rol)
- Mentalidad operacional (production-first)
- Capacidad de análisis bajo presión
- Comunicación clara con perfiles técnicos y no técnicos
- Autonomía y responsabilidad
- Orientación a estabilidad y fiabilidad (no solo “que funcione”)
OFRECEMOS:
- · Contrato en modalidad Freelance Full time
- · Oferta económica: 240€ / 320€ jornada + IVA (según experiencia aportada)
- · Proyecto de Larga Duración. Recurrencia en Proyectos
- · Localización: España – Teletrabajo 100%