Descripción del trabajo 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 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 inferenciaDiferencia entre entrenamiento e inferenciaModelos de clasificación, extracción, OCR, NLP
Capacidad para: Consumir modelos ya entrenados por Data ScientistsEntender sus limitaciones, latencias y requisitos de recursos
Experiencia con: Modelos pesados (CPU-bound)Inferencias síncronas y asíncronasBatch 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 principalDominio 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 botellaEvitar bloqueos de event loopDiseñar código\ "production-safe\"
Kubernetes y despliegue en entorno IBM Kubernetes (nivel medio–alto) Uso y configuración de: Pods, Deployments, ServicesConfigMaps y SecretsRequests / Limits de CPU y memoriaLiveness / Readiness probes
Comprensión de: Escalado horizontal (HPA)Comportamiento de múltiples workersImpacto del paralelismo en modelos IA
Capacidad para: Ajustar recursos según carga realAnalizar problemas de saturación o colas
Entorno IBM Cloud Experiencia o familiaridad con: IBM Kubernetes Service (IKS)IBM Cloud Object StorageIBM Log Analysis / LogDNA
Entender restricciones de: Red corporativaProxies (Istio, ingress)Seguridad y compliance
Arquitectura de microservicios de IA Diseño y operación de: Microservicios de inferenciaAPIs REST (FastAPI)
Integración con: Servicios de backend del equipo de Software EngineeringSistemas de almacenamiento documental
Gestión de: Versionado de modelosVersionado de APIsCompatibilidad hacia atrás
Capacidad para: Diagnosticar errores en producciónAnalizar trazas entre servicios
Observabilidad, monitorización y operación Monitorización de recursos Uso de Grafana para: CPU / memoriaLatenciasThroughputSaturación de workers
Capacidad para: Interpretar métricasAjustar configuración en base a datos reales
Logging y debugging Uso de IBM Log Analysis para: Analizar errores en microserviciosCorrelacionar eventosDetectar patrones anómalos
Buenas 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 documental
Sensibilidad a: Calidad del datoCasos borde (documentos corruptos, escaneados, grandes volúmenes)
Colaboración inter-equipos Con Data Science Capacidad para: Integrar modelos sin modificar su lógicaProponer cambios orientados a producción (no a investigación)
Comunicación fluida sobre: LatenciasConsumo de recursosLimitaciones técnicas
Con Software Engineering Entender: Contratos de APIRequisitos de integraciónSLAsHablar el mismo\ "lenguaje técnico\" que backend engineers
Traducción de negocio a técnico Capacidad para: Entender requisitos funcionales explicados por Project ManagersConvertirlos en: Requisitos técnicosConfiguración de serviciosMétricas observables
Mentalidad 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 cloud
Uso 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 timeOferta económica: 240€ / 320€ jornada + IVA (según experiencia aportada)Proyecto de Larga Duración. xohynlm Recurrencia en ProyectosLocalización: España – Teletrabajo 100%
#J-18808-Ljbffr