Ingeniero/a de Machine Learning orientado/a a producción, con robusto 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 rol
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.
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
- Diseñar código “production-safe”
Kubernetes y despliegue en entorno IBM
🔹 Kubernetes (nivel medio–alto)
- Uso y configuración de:
- Pods, Deployments, Services
- C