job specification

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 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 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%