Ingeniero/a de Machine Learning orientado/a a producciónCon 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.
Por favor, lea detenidamente la siguiente descripción del puesto para asegurarse de que encaja con el perfil antes de enviar su solicitud.
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 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 y diseñar código "production‐safe"
Kubernetes y despliegue en entorno IBMKubernetes (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 y 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 y APIs REST (FastAPI)
Integración con servicios de backend del equipo de Software Engineering y sistemas de almacenamiento documental
Gestión de versionado de modelos y APIs, compatibilidad hacia atrás
Capacidad para diagnosticar errores en producción y analizar trazas entre servicios
Observabilidad, monitorización y operaciónMonitorización de recursos
Uso de Grafana para CPU/memoria, latencias, throughput y saturación de workers
Capacidad para interpretar métricas y ajustar configuración basada en datos reales
Logging y debugging
Uso de IBM Log Analysis para analizar errores en microservicios, correlacionar eventos y detectar patrones anómalos
Buenas prácticas de logging estructurado, niveles de log (INFO/WARNING/ERROR) y logs seguros (sin datos sensibles)
Gestión documental inteligente (domain knowledge)
Comprensión funcional de OCR, clasificación de documentos, extracción de información y 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 y casos borde (documentos corruptos, escaneados, grandes volúmenes)
Colaboración inter-equiposCon Data Science
Capacidad para integrar modelos sin modificar su lógica y proponer cambios orientados a producción (no a investigación)
Comunicación fluida sobre latencias, consumo de recursos y limitaciones técnicas
Con Software Engineering
Entender contratos de API, requisitos de integración y SLAs
Hablar el mismo lenguaje técnico que backend engineers
Traducción de negocio a técnico
Capacidad para entender requisitos funcionales de Project Managers y convertirlos en requisitos técnicos, configuración de servicios, métricas observables y prioridades de impacto y coste beneficioc
Entorno local y herramientas de desarrollo (Windows)
Trabajo habitual en Windows con Python, Docker, IDEs (VS Code, PyCharm)
Capacidad para replicar localmente el stack de Kubernetes (parcial) y depurar problemas antes de subir a cloud
Uso de Git, entornos virtuales y 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%
#J-18808-Ljbffr