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 contexto 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.
\n
Por favor, lea detenidamente la siguiente descripción del puesto para asegurarse de que encaja con el perfil antes de enviar su solicitud.
\n
Objetivo del rol
\n
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.
\n
El foco principal es gestión documental inteligente (OCR, clasificación, extracción, procesamiento de documentos) mediante microservicios de IA.
\n
Conocimientos técnicos fundamentales (core skills)
\n
Machine Learning aplicado (orientado a producción)
\n
- 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.\n
Python avanzado orientado a backend / ML
\n
- 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
- Diseñar código \"production-safe\"
Kubernetes y despliegue en entorno IBM\n
Kubernetes (nivel medio–alto)
\n
- 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
- Analizar problemas de saturación o colas
Entorno IBM Cloud\n
- 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\n
- Diseño y operación de:
- Microservicios de inferencia
- APIs REST (FastAPI)
- Integración con:
- Servicios de backend del equipo de Software Engineering
- Sistemas de almacenamiento documental
- Gestión de:
- Versionado de modelos
- Versionado de APIs
- Compatibilidad hacia atrás
- Capacidad para:
- Diagnosticar errores en producción
- Analizar trazas entre servicios
Observabilidad, monitorización y operación\n
Monitorización de recursos
\n
- Uso de Grafana para:
- CPU / memoria
- Latencias
- Throughput
- Saturación de workers
- Capacidad para:
- Interpretar métricas
- Ajustar configuración en base a datos reales
Logging y debugging\n
- Uso de IBM Log Analysis para:
- Analizar errores en microservicios
- Correlacionar eventos
- Detectar patrones anómalos
- Buenas prácticas de:
- Logging estructurado
- Niveles de log (INFO / WARNING / ERROR)
- Logs seguros (sin datos sensibles)
Gestión documental inteligente (domain knowledge)\n
- Comprensión funcional de:
- OCR
- Clasificación de documentos
- Extracción de información
- 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
- Casos borde (documentos corruptos, escaneados, grandes volúmenes)
Colaboración inter-equipos\n
Con Data Science
\n
- Capacidad para:
- Integrar modelos sin modificar su lógica
- Proponer cambios orientados a producción (no a investigación)
- Comunicación fluida sobre:
- Latencias
- Consumo de xugodme recursos
- Limitaciones técnicas
Con Software Engineering\n