Ingeniero/a de Machine Learning orientado/a a producción
, con fuerte 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 rolResponsable 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 inferenciaDiferencia entre entrenamiento e inferenciaModelos de clasificación, extracción, OCR, NLPCapacidad para:Consumir modelos ya entrenados por Data ScientistsEntender sus limitaciones, latencias y requisitos de recursosExperiencia con:Modelos pesados (CPU-bound)Inferencias síncronas y asíncronasBatch vs real-time inferenceNo se espera que entrene modelos
, pero sí que
los entienda lo suficiente para desplegarlos correctamente
.
Python avanzado orientado a backend / MLPython como lenguaje principalDominio de:Programación asíncrona (async/await)Concurrencia (threads, event loops, semaphores)Gestión de memoria y recursosExperiencia integrando:Librerías internas de Data Science (SDK corporativo)Frameworks de serving (ej. MLServer, FastAPI)Capacidad para:Detectar cuellos de botellaEvitar bloqueos de event loopDiseñar código “production-safe”
Kubernetes y despliegue en entorno IBMKubernetes (nivel medio–alto)Uso y configuración de:Pods, Deployments, ServicesConfigMaps y SecretsRequests / Limits de CPU y memoriaLiveness / Readiness probesComprensión de:Escalado horizontal (HPA)Comportamiento de múltiples workersImpacto del paralelismo en modelos IACapacidad para:Ajustar recursos según carga realAnalizar problemas de saturación o colasEntorno IBM CloudExperiencia o familiaridad con:IBM Kubernetes Service (IKS)IBM Cloud Object StorageIBM Log Analysis / LogDNAEntender restricciones de:Red corporativaProxies (Istio, ingress)Seguridad y compliance
Arquitectura de microservicios de IADiseño y operación de:Microservicios de inferenciaAPIs REST (FastAPI)Integración con:Servicios de backend del equipo de Software EngineeringSistemas de almacenamiento documentalGestión de:Versionado de modelosVersionado de APIsCompatibilidad hacia atrásCapacidad para:Diagnosticar errores en producciónAnalizar trazas entre servicios
Observabilidad, monitorización y operaciónMonitorización de recursosUso de
Grafana
para:CPU / memoriaLatenciasThroughputSaturación de workersCapacidad para:Interpretar métricasAjustar configuración en base a datos realesLogging y debuggingUso de
IBM Log Analysis
para:Analizar errores en microserviciosCorrelacionar eventosDetectar patrones anómalosBuenas prácticas de:Logging estructuradoNiveles de log (INFO / WARNING / ERROR)Logs seguros (sin datos sensibles)
Gestión documental inteligente (domain knowledge)Comprensión funcional de:OCRClasificación de documentosExtracción de informaciónConversión de formatos (PDF, Office, imágenes)Capacidad para:Traducir necesidades de negocio a flujos técnicosAjustar pipelines según tipo documentalSensibilidad a:Calidad del datoCasos borde (documentos corruptos, escaneados, grandes volúmenes)
Colaboración inter-equiposCon Data ScienceCapacidad para:Integrar modelos sin modificar su lógicaProponer cambios orientados a producción (no a investigación)Comunicación fluida sobre:LatenciasConsumo de recursosLimitaciones técnicasCon Software EngineeringEntender:Contratos de APIRequisitos de integraciónSLAsHablar el mismo “lenguaje técnico” que backend engineers
Traducción de negocio a técnicoCapacidad para:Entender requisitos funcionales explicados por Project ManagersConvertirlos en:Requisitos técnicosConfiguración de serviciosMétricas observablesMentalidad de:PrioridadImpactoCoste vs beneficio técnico
Entorno local y herramientas de desarrollo (Windows)Trabajo habitual en
Windows
:PythonDockerIDEs (VS Code, PyCharm)Capacidad para:Replicar localmente el stack de Kubernetes (parcial)Depurar problemas antes de subir a cloudUso de:GitEntornos virtualesTesting básico (unitario / integración)
Soft skills clave (muy importantes en este rol)Mentalidad
operacional
(production-first)Capacidad de análisis bajo presiónComunicación clara con perfiles técnicos y no técnicosAutonomía y responsabilidadOrientación 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%