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 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 inferenciaDiferencia entre entrenamiento e inferenciaModelos de clasificación, extracción, OCR, NLPCapacidad para:Consumir modelos ya entrenados por Data ScientistsEntender sus limitaciones, latencias y requisitos de recursosExperiencia 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 recursosExperiencia integrando:Librerías internas de Data Science (SDK corporativo)Frameworks de serving (ej. MLServer, Fast API)Capacidad para:Detectar cuellos de botellaEvitar bloqueos de event loopDiseñar código "production-safe" Kubernetes y despliegue en entorno IBMKubernetes (nivel medio–alto)
Uso y configuración de:Pods, Deployments, ServicesConfig Maps y SecretsRequests / Limits de CPU y memoriaLiveness / Readiness probesComprensión de:Escalado horizontal (HPA)Comportamiento de múltiples workersImpacto del paralelismo en modelos IACapacidad 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 / Log DNAEntender restricciones de:Red corporativaProxies (Istio, ingress)Seguridad y compliance Arquitectura de microservicios de IA
Diseño y operación de:Microservicios de inferenciaAPIs REST (Fast API)Integración con:Servicios de backend del equipo de Software EngineeringSistemas de almacenamiento documentalGestión de:Versionado de modelosVersionado de APIsCompatibilidad hacia atrásCapacidad para:Diagnosticar errores en producciónAnalizar trazas entre servicios Observabilidad, monitorización y operaciónMonitorización de recursos
Uso de Grafana para:CPU / memoriaLatenciasThroughputSaturación de workersCapacidad para:Interpretar métricasAjustar configuración en base a datos reales Logging y debugging
Uso de IBM Log Analysis para:Analizar errores en microserviciosCorrelacionar eventosDetectar patrones anómalosBuenas 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 documentalSensibilidad a:Calidad del datoCasos borde (documentos corruptos, escaneados, grandes volúmenes) Colaboración inter-equiposCon 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 observablesMentalidad de:PrioridadImpactoCoste vs beneficio técnico Entorno local y herramientas de desarrollo (Windows)
Trabajo habitual en Windows:PythonDockerIDEs (VS Code, Py Charm)Capacidad para:Replicar localmente el stack de Kubernetes (parcial)Depurar problemas antes de subir a cloudUso 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 time· Oferta económica: 240€ / 320€ jornada + IVA (según experiencia aportada)· Proyecto de Larga Duración. Recurrencia en Proyectos· Localización: España – Teletrabajo 100%