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 Ambiente 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%

📌 MLE Consultant (Vitoria-Gasteiz)
🏢 Talent
📍 Vitoria-Gasteiz