A Coruña
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. Por favor, lea detenidamente la siguiente descripción del puesto para asegurarse de que encaja con el perfil antes de enviar su solicitud. 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 xiphteb 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%
