Desde Grupo NS, buscamos un Knowledge Engineer experto.

El perfil trabajará en proyectos diseñando y construyendo las capas de conocimiento estructurado que sostienen sistemas de IA conversacional, agentes autónomos y plataformas semánticas empresariales.

El rol combina rigor en modelado del conocimiento con visión de arquitectura de datos y capacidad de integración con sistemas de IA generativa. No es un perfil puramente teórico: se espera capacidad de entrega end-to-end, desde el análisis del dominio de negocio hasta la implementación y validación en producción.

Responsabilidades principales

Diseñar ontologías, taxonomías y Knowledge Graphs que representen dominios de negocio complejos (energía, operaciones, regulación)

Implementar y mantener grafos de conocimiento sobre tecnologías como Amazon Neptune, Neo4j o Azure Cosmos DB

Desarrollar pipelines de extracción y estructuración de conocimiento desde fuentes heterogéneas (documentos, sistemas ERP/SAP, APIs, bases de datos relacionales)





Integrar capas semánticas con arquitecturas RAG y sistemas multi-agente basados en LLMs (LangGraph, MCP, Bedrock)

Colaborar con equipos de Data Architecture, Data Engineering y AI Engineering para garantizar coherencia entre el modelo de datos operacional y el modelo de conocimiento

Participar en la definición del Golden Set de validación y en el diseño de KPIs de calidad del conocimiento (hallucination rate, coverage, resolution rate)

Contribuir a la estandarización de metodologías y assets reutilizables dentro de la capability

Requisitos mínimos

Perfil técnico requerido

Dominio de estándares semánticos: OWL, RDF, RDFS, SPARQL, SHACL (al menos uno de ellos)

Experiencia con bases de datos de grafos: Neo4j (Cypher), Amazon Neptune (Gremlin / SPARQL), Azure Cosmos DB (al menos uno de ellos)

Conocimiento de arquitecturas RAG (Retrieval-Augmented Generation) y su integración con LLMs

Experiencia con frameworks de orquestación de agentes: LangGraph, LangChain o similares

📌 Engineer AI/Data (Madrid)
🏢 Grupo NS
📍 Madrid