1. Misión del puesto:
La Investigadora Senior de IA liderará el desarrollo técnico del núcleo de inteligencia artificial del sistema PV-AI VisionTM, un producto propio para la inspección automatizada de plantas fotovoltaicas mediante imágenes de drones. Trabajará directamente con el Investigador Principal (Paulo Peña, PhD-UPM) y con el Dr. Marcelo Ortega Romero (Catedrático UPM-TECMINERGY), y será la responsable técnica de los modelos de visión computacional que forman el corazón del producto.
El proyecto dispone de un banco de pruebas real y exclusivo: 4,5 MW de plantas fotovoltaicas operativas en Ecuador (Activenergy S.A.), donde se capturarán los datos de entrenamiento con drones DJI Mavic 3 y cámara termográfica Fluke VT04. Esto significa que la investigadora trabajará con datos propios reales desde el primer mes, no con datasets públicos genéricos.
2. Responsabilidades principales:
2.1 Desarrollo de modelos de visión computacional:
Fine-tuning de SAM2 (Segment Anything Model 2) para segmentación automática de módulos fotovoltaicos en ortomosaicos georreferenciados. Objetivo: IoU > 0.90.
Entrenamiento y optimización de modelos de detección de objetos (YOLOv8/v11) para identificar y clasificar defectos visuales en módulos FV. Objetivo: mAP@0.5 > 0.85 en 10 clases de defecto.
Desarrollo de modelos de clasificación de severidad de defectos (ResNet fine-tuned) en tres niveles conforme a la norma IEC 62446-3.
Investigación e implementación del módulo multimodal RGB+Termal: fusión de imágenes de cámara estándar y sensor infrarrojo para detección de hotspots, PID y string failures.
2.2 Gestión de datos y dataset propietario:
Diseño y gestión del pipeline de anotación y control de calidad del dataset propietario (objetivo >20.000 imágenes). Plataformas: Roboflow Team, Label Studio, CVAT.
Diseño del protocolo de captura de imágenes en campo (resolución GSD, solapamiento, condiciones de luz), en coordinación con el técnico de campo en Ecuador.
Implementación de técnicas de augmentación de datos y generación sintética para ampliar el dataset de clases con poca representación (microfracturas, delaminaciones).
2.3 Infraestructura y MLOps:
Gestión del pipeline de entrenamiento en GPU cloud (AWS SageMaker o Google Colab Pro+) y en los laboratorios HPC de la UPM (CeSViMa, acceso garantizado por convenio UPM).
Versionado de modelos, experimentos y métricas con MLflow o Weights & Biases.
Colaboración con el Investigador I4 (backend) en la integración de los modelos en la plataforma web PV-AI VisionTM mediante APIs.
2.4 Publicación científica y transferencia:
Co-autoría de al menos 1 artículo científico en revista Scopus Q1/Q2 sobre el método de inspección FV con IA desarrollado en el proyecto. Co-autoría con el Dr. Ortega Romero (UPM).
Participación en presentaciones en congresos del sector (Intersolar Europe, UNEF).
3. Perfil requerido:
3.1 Formación — indispensable
Titulación: Doctora en IA, Visión Computacional, Machine Learning, Ingeniería Informática o Matemáticas. O bien, 3.o grado (Grado + Máster) con ≥5 años experiencia demostrada en el stack técnico requerido.
Tesis / TFM: Relacionada con deep learning, detección de objetos, segmentación semántica o análisis de imagen. Trabajo verificable (repositorio GitHub, publicaciones o similar).
Publicaciones: Deseable mínimo 1 artículo en revista Scopus Q1 o Q2 en IA/Computer Vision. No excluyente si la experiencia práctica es sólida.
Idiomas: Español fluido (trabajo cotidiano). Inglés B2 o superior (publicaciones, red MIT, documentación técnica).
3.2 Stack técnico — obligatorio
Deep learning: PyTorch (principal) o TensorFlow/Keras. Entrenamiento, fine-tuning, transferencia de aprendizaje.
Detección objetos: YOLO (v8/v11/NAS), DETR, Faster R-CNN. Experiencia en entrenamiento con datasets propios.
Segmentación: SAM, SAM2, Mask R-CNN, U-Net. Segmentación semántica e instancia.
Visión computacional: OpenCV, Albumentations, PIL/Pillow. Procesamiento de ortomosaicos y mosaicos geoespaciales.
Gestión datasets: Roboflow, Label Studio, CVAT. Diseño de protocolos de etiquetado y QC.
Python científico: NumPy, Pandas, scikit-learn, Matplotlib, Seaborn.
MLOps (deseable): MLflow, W&B, Docker. Versionado de experimentos y modelos.
Geoespacial (deseable): QGIS, Rasterio, Shapely, PostGIS. Trabajo con imágenes georreferenciadas.
3.3 Competencias personales
Autonomía técnica: capacidad para tomar decisiones de arquitectura de modelos sin supervisión constante.
Orientación a resultados verificables: el proyecto tiene hitos con métricas concretas (mAP, IoU, recall). La investigadora debe estar cómoda con esta forma de trabajar.
Disposición a trabajo de campo: al menos 2-3 desplazamientos a Ecuador durante el proyecto para campañas de captura de imágenes.
Capacidad de publicar: redacción de artículos científicos en inglés.
Trabajo en equipo multidisciplinar: interacción con ingeniero FV (IP), Catedrático UPM, técnico backend y técnico de campo.
4. Condiciones del puesto y proceso de selección:
Tipo de contrato Laboral: INDEFINIDO a jornada COMPLETAS.
Salario bruto anual: €30.000–€42.000 según perfil (límite: €45/hora incluyendo SS).
Inicio previsto: Mes 1 del proyecto (enero 2027, pendiente resolución CDTI nov.2026).
Duración: 24 meses — con opción de continuidad en la empresa al finalizar el proyecto.
Modalidad: Presencial en Madrid con posibilidad de trabajo híbrido.
Desplazamientos a Ecuador (campañas de vuelo y captura de datos, 2-3 viajes/año, financiados por el proyecto).
Recursos disponibles: GPU cloud (AWS SageMaker / Colab Pro+), laboratorios HPC CeSViMa-UPM (convenio activo), dataset propietario desde día 1, equipos de campo Activenergy S.A.
#J-18808-Ljbffr