Descripción de la oferta
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.
Por favor, lea detenidamente la siguiente descripción del puesto para asegurarse de que encaja con el perfil antes de enviar su solicitud.
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
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 compliance
Arquitectura 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 servicios
Observabilidad, 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 xcskxlj recursos
Limitaciones técnicas
Con Software Engineering
Entender:
Contratos de API
Requisitos de integración
SLAs
Hablar el mismo "lenguaje técnico" que backend engineers
Traducción 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 técnico
Entorno 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%
#J-18808-Ljbffr
