PbIngeniero/a de Machine Learning orientado/a a producción /b, 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. /ppbr/ppbObjetivo del rol /b /ppResponsable de boperacionalizar, desplegar, monitorizar y mantener modelos de IA /b en un entorno corporativo basado en bKubernetes (IBM Cloud / IKS) /b, garantizando brendimiento, escalabilidad, estabilidad y trazabilidad /b, actuando como bpuente técnico /b entre Data Science, Software Engineering y negocio. /ppEl foco principal es bgestión documental inteligente /b (OCR, clasificación, extracción, procesamiento de documentos) mediante microservicios de IA. /ppbr/ppbConocimientos técnicos fundamentales (core skills) /b /ppb Machine Learning aplicado (orientado a producción) /b /pulliComprensión sólida de: /liliPipelines de inferencia /liliDiferencia entre entrenamiento e inferencia /liliModelos de clasificación, extracción, OCR, NLP /liliCapacidad para: /liliConsumir modelos ya entrenados por Data Scientists /liliEntender sus limitaciones, latencias y requisitos de recursos /liliExperiencia con: /liliModelos pesados (CPU-bound) /liliInferencias síncronas y asíncronas /liliBatch vs real-time inference /li /ulpbNo se espera que entrene modelos /b, pero sí que blos entienda lo suficiente para desplegarlos correctamente /b. /ppbr/ppb Python avanzado orientado a backend / ML /b /pulliPython como lenguaje principal /liliDominio de: /liliProgramación asíncrona (async/await) /liliConcurrencia (threads, event loops, semaphores) /liliGestión de memoria y recursos /liliExperiencia integrando: /liliLibrerías internas de Data Science (SDK corporativo) /liliFrameworks de serving (ej. MLServer, FastAPI) /liliCapacidad para: /liliDetectar cuellos de botella /liliEvitar bloqueos de event loop /liliDiseñar código “production-safe” /li /ulpbr/ppbKubernetes y despliegue en entorno IBM /b /ppb Kubernetes (nivel medio–alto) /b /pulliUso y configuración de: /liliPods, Deployments, Services /liliConfigMaps y Secrets /liliRequests / Limits de CPU y memoria /liliLiveness / Readiness probes /liliComprensión de: /liliEscalado horizontal (HPA) /liliComportamiento de múltiples workers /liliImpacto del paralelismo en modelos IA /liliCapacidad para: /liliAjustar recursos según carga real /liliAnalizar problemas de saturación o colas /li /ulpb Entorno IBM Cloud /b /pulliExperiencia o familiaridad con: /liliIBM Kubernetes Service (IKS) /liliIBM Cloud Object Storage /liliIBM Log Analysis / LogDNA /liliEntender restricciones de: /liliRed corporativa /liliProxies (Istio, ingress) /liliSeguridad y compliance /li /ulpbr/ppbArquitectura de microservicios de IA /b /pulliDiseño y operación de: /liliMicroservicios de inferencia /liliAPIs REST (FastAPI) /liliIntegración con: /liliServicios de backend del equipo de Software Engineering /liliSistemas de almacenamiento documental /liliGestión de: /liliVersionado de modelos /liliVersionado de APIs /liliCompatibilidad hacia atrás /liliCapacidad para: /liliDiagnosticar errores en producción /liliAnalizar trazas entre servicios /li /ulpbr/ppbObservabilidad, monitorización y operación /b /ppb Monitorización de recursos /b /pulliUso de bGrafana /b para: /liliCPU / memoria /liliLatencias /liliThroughput /liliSaturación de workers /liliCapacidad para: /liliInterpretar métricas /liliAjustar configuración en base a datos reales /li /ulpb Logging y debugging /b /pulliUso de bIBM Log Analysis /b para: /liliAnalizar errores en microservicios /liliCorrelacionar eventos /liliDetectar patrones anómalos /liliBuenas prácticas de: /liliLogging estructurado /liliNiveles de log (INFO / WARNING / ERROR) /liliLogs seguros (sin datos sensibles) /li /ulpbr/ppbGestión documental inteligente (domain knowledge) /b /pulliComprensión funcional de: /liliOCR /liliClasificación de documentos /liliExtracción de información /liliConversión de formatos (PDF, Office, imágenes) /liliCapacidad para: /liliTraducir necesidades de negocio a flujos técnicos /liliAjustar pipelines según tipo documental /liliSensibilidad a: /liliCalidad del dato /liliCasos borde (documentos corruptos, escaneados, grandes volúmenes) /li /ulpbr/ppbColaboración inter-equipos /b /ppb Con Data Science /b /pulliCapacidad para: /liliIntegrar modelos sin modificar su lógica /liliProponer cambios orientados a producción (no a investigación) /liliComunicación fluida sobre: /liliLatencias /liliConsumo de recursos /liliLimitaciones técnicas /li /ulpb Con Software Engineering /b /pulliEntender: /liliContratos de API /liliRequisitos de integración /liliSLAs /liliHablar el mismo “lenguaje técnico” que backend engineers /li /ulpbr/ppbTraducción de negocio a técnico /b /pulliCapacidad para: /liliEntender requisitos funcionales explicados por Project Managers /liliConvertirlos en: /liliRequisitos técnicos /liliConfiguración de servicios /liliMétricas observables /liliMentalidad de: /liliPrioridad /liliImpacto /liliCoste vs beneficio técnico /li /ulpbr/ppbEntorno local y herramientas de desarrollo (Windows) /b /pulliTrabajo habitual en bWindows /b: /liliPython /liliDocker /liliIDEs (VS Code, PyCharm) /liliCapacidad para: /liliReplicar localmente el stack de Kubernetes (parcial) /liliDepurar problemas antes de subir a cloud /liliUso de: /liliGit /liliEntornos virtuales /liliTesting básico (unitario / integración) /li /ulpbr/ppbSoft skills clave (muy importantes en este rol) /b /pulliMentalidad boperacional /b (production-first) /liliCapacidad de análisis bajo presión /liliComunicación clara con perfiles técnicos y no técnicos /liliAutonomía y responsabilidad /liliOrientación a estabilidad y fiabilidad (no solo “que funcione”) /li /ulpbr/ppbr/ppbr/ppbOFRECEMOS: /b /pulli· Contrato en modalidad Freelance Full time /lili· Oferta económica: 240€ / 320€ jornada + IVA (según experiencia aportada) /lili· Proyecto de Larga Duración. Recurrencia en Proyectos /lili· Localización: España – Teletrabajo 100% /li /ul