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
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 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 - €240 - €320 Al Día - Remoto in Pontevedra empresa: Aderen
Nuestra empresa se destaca como un excelente empleador al ofrecer un entorno de trabajo colaborativo y dinámico, donde la calidad y la innovación son fundamentales. Con oportunidades de crecimiento profesional y un enfoque en el desarrollo de habilidades, los empleados pueden prosperar en sus carreras mientras trabajan en proyectos desafiantes desde la comodidad de su hogar en España. Además, valoramos la diversidad y fomentamos una cultura inclusiva que permite a cada miembro del equipo contribuir con sus ideas y perspectivas únicas.