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 ambiente 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 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 inferenceNo 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- Diseñar código “production-safe”Kubernetes y despliegue en entorno IBM🔹 Kubernetes (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- 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 complianceArquitectura de microservicios de IA- 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 serviciosObservabilidad, monitorización y operación🔹 Monitorización de recursos- 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- 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)- 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🔹 Con Data Science- Capacidad para:- Integrar modelos sin modificar su lógica- Proponer cambios orientados a producción (no a investigación)- Comunicación fluida sobre:- Latencias- Consumo de recursos- Limitaciones técnicas🔹 Con Software Engineering- Entender:- Contratos de API- Requisitos de integración- SLAs- Hablar el mismo “lenguaje técnico” que backend engineersTraducción de negocio a técnico- Capacidad para:- Entender requisitos funcionales explicados por Project Managers- Convertirlos en:- Requisitos técnicos- Configuración de servicios- Métricas observables- Mentalidad de:- Prioridad- Impacto- Coste vs beneficio técnicoEntorno local y herramientas de desarrollo (Windows)- Trabajo habitual en Windows:- Python- Docker- IDEs (VS Code, PyCharm)- Capacidad para:- Replicar localmente el stack de Kubernetes (parcial)- Depurar problemas antes de subir a cloud- Uso de:- Git- Entornos virtuales- 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%