Descripción del puesto:
Estás buscando un desafío emocionante en el sector de la aeronavegación. En Indra, tenemos una oportunidad para ti: trabajar en proyectos innovadores que mejoran la seguridad y eficiencia del tráfico aéreo.
Como Ingeniero/a en Inteligencia Artificial con experiencia en Aprendizaje por Refuerzo, tendrás la oportunidad de liderar proyectos de alto impacto y contribuir a la evolución tecnológica global en el sector ATM.
¿Qué encontrarías en Indra?
Autonomía y flexibilidad
Trabajarás en un ambiente transparente y cercano, donde tu trabajo es valorado y apreciado.
Proyectos innovadores
Tendrás la oportunidad de trabajar con tecnología de vanguardia, tanto a nivel nacional como internacional.
Equipo humano
Un ambiente saludable, colaborativo y cercano donde todos trabajamos juntos hacia un objetivo común.
Crecimiento profesional
Oportunidades constantes para evolucionar en roles, responsabilidades y salario.
Estabilidad y futuro
Proyectos a largo plazo en una empresa líder, con seguridad financiera.
Impacto global
Tu trabajo tendrá un impacto directo en proyectos internacionales de alta relevancia.
Movilidad nacional e internacional
Oportunidades de crecer en proyectos dentro y fuera de España.
Formación continuada
Acceso a cursos especializados a través de Open University y Udemy for Business.
Beneficios adicionales
Salario competitivo y otros beneficios que se detallarán en la primera entrevista.
Funciones y responsabilidades
Desarrollo de Modelos de Aprendizaje por Refuerzo:
Diseñar y desarrollar modelos avanzados utilizando bibliotecas especializadas como Stable-Baselines3, Ray RLlib, PyTorch o TensorFlow.
Implementar algoritmos de RL como Q-Learning, PPO, SAC, y enfoques de frontera como Deep Q-Networks (DQN) y Model-Based RL para optimizar la toma de decisiones en entornos de tráfico aéreo.
Diseño e implementación de entornos personalizados:
Crear y personalizar entornos de simulación utilizando herramientas como Gymnasium o simuladores específicos para probar y validar los modelos de RL.
Desarrollar entornos que reflejen las complejidades y dinámicas del tráfico aéreo para asegurar la efectividad de los modelos.
Optimización y diseño de recompensas:
Diseñar sistemas de recompensas que incentiven comportamientos óptimos en los modelos de RL.
Optimizar los parámetros y estrategias de los modelos para maximizar su rendimiento en entornos simulados.
Apliación de Multi-Agent RL (MARL):
Implementar enfoques avanzados de RL multi-agente para sistemas colaborativos en la gestión del tráfico aéreo.
Desarrollar modelos que permitan la cooperación y coordinación entre múltiples agentes para mejorar la eficiencia y seguridad del tráfico aéreo.
Despliegue y mantenimiento de modelos:
Utilizar herramientas de despliegue como Docker o Kubernetes para implementar los modelos en entornos de producción.
Integrar flujos de trabajo CI/CD para asegurar la actualización y mantenimiento continuo de los modelos.