MLE Consultant
hace 12 días
Castro Urdiales
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. La experiencia que se espera de los solicitantes, así como las habilidades y cualificaciones adicionales necesarias para este trabajo, se enumeran a continuación. 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 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, • 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, • 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, • 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%
Página 2