MLE Consultant - barcelona
4 days ago
Barcelona
Ingeniero/a de Machine Learning orientado/a a producciĂłn, 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 gestiĂłn 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 tĂ©cnico entre Data Science, Software Engineering y negocio. El foco principal es gestiĂłn documental inteligente (OCR, clasificaciĂłn, extracciĂłn, procesamiento de documentos) mediante microservicios de IA. Conocimientos tĂ©cnicos fundamentales (core skills) 🔹 Machine Learning aplicado (orientado a producciĂłn) • ComprensiĂłn sĂłlida de:, • Pipelines de inferencia, • Diferencia entre entrenamiento e inferencia, • Modelos de clasificaciĂłn, extracciĂłn, 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 sĂncronas y asĂncronas 🔹 Python avanzado orientado a backend / ML • Python como lenguaje principal, • Dominio de:, • ProgramaciĂłn asĂncrona (async/await), • Concurrencia (threads, event loops, semaphores), • GestiĂłn de memoria y recursos, • Experiencia integrando:, • LibrerĂas internas de Data Science (SDK corporativo), • Frameworks de serving (ej. MLServer, FastAPI), • Capacidad para:, • Detectar cuellos de botella, • Evitar bloqueos de event loop, • Diseñar cĂłdigo “production-safe” Kubernetes y despliegue en entorno IBM 🔹 Kubernetes (nivel medio–alto) • Uso y configuraciĂłn de:, • Pods, Deployments, Services, • ConfigMaps y Secrets, • Requests / Limits de CPU y memoria, • Liveness / Readiness probes, • ComprensiĂłn de:, • Escalado horizontal (HPA), • Comportamiento de mĂşltiples workers, • Impacto del paralelismo en modelos IA, • Capacidad para:, • Ajustar recursos segĂşn 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 operaciĂłn de:, • Microservicios de inferencia, • APIs REST (FastAPI), • IntegraciĂłn con:, • Servicios de backend del equipo de Software Engineering, • Sistemas de almacenamiento documental, • GestiĂłn de:, • Versionado de modelos, • Versionado de APIs, • Compatibilidad hacia atrás, • Capacidad para:, • Diagnosticar errores en producciĂłn, • Analizar trazas entre servicios Observabilidad, monitorizaciĂłn y operaciĂłn 🔹 MonitorizaciĂłn de recursos • Uso de Grafana para:, • CPU / memoria, • Latencias, • Throughput, • SaturaciĂłn de workers, • Capacidad para:, • Interpretar mĂ©tricas, • Uso de IBM Log Analysis para:, • Analizar errores en microservicios, • Correlacionar eventos, • Detectar patrones anĂłmalos, • Buenas prácticas de:, • Logging estructurado, • Niveles de log (INFO / WARNING / ERROR), • Logs seguros (sin datos sensibles) GestiĂłn documental inteligente (domain knowledge) • ComprensiĂłn funcional de:, • OCR, • ClasificaciĂłn de documentos, • ExtracciĂłn de informaciĂłn, • ConversiĂłn de formatos (PDF, Office, imágenes), • Capacidad para:, • Traducir necesidades de negocio a flujos tĂ©cnicos, • Ajustar pipelines segĂşn tipo documental, • Sensibilidad a:, • Calidad del dato, • Casos borde (documentos corruptos, escaneados, grandes volĂşmenes) ColaboraciĂłn inter-equipos 🔹 Con Data Science • Capacidad para:, • Integrar modelos sin modificar su lĂłgica, • Proponer cambios orientados a producciĂłn (no a investigaciĂłn), • ComunicaciĂłn fluida sobre:, • Latencias, • Consumo de recursos, • Entender:, • Contratos de API, • Requisitos de integraciĂłn, • SLAs, • Hablar el mismo “lenguaje tĂ©cnico” que backend engineers TraducciĂłn de negocio a tĂ©cnico • Capacidad para:, • Entender requisitos funcionales explicados por Project Managers, • Convertirlos en:, • Requisitos tĂ©cnicos, • ConfiguraciĂłn de servicios, • MĂ©tricas observables, • Mentalidad de:, • Prioridad, • Impacto, • Coste vs beneficio tĂ©cnico 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 / integraciĂłn) Soft skills clave (muy importantes en este rol) • Mentalidad operacional (production-first), • Capacidad de análisis bajo presiĂłn, • ComunicaciĂłn clara con perfiles tĂ©cnicos y no tĂ©cnicos, • AutonomĂa y responsabilidad, • OrientaciĂłn a estabilidad y fiabilidad (no solo “que funcione”) OFRECEMOS: • · Contrato en modalidad Freelance Full time, • · Oferta econĂłmica: 240€ / 320€ jornada + IVA (segĂşn experiencia aportada), • · Proyecto de Larga DuraciĂłn. Recurrencia en Proyectos, • · LocalizaciĂłn: España – Teletrabajo 100%