Ai engineer senior

Experiencia orientativa

5+ años de experiencia relevante, incluidos proyectos complejos en producción. Se prioriza el alcance del impacto y el liderazgo técnico frente a la antigüedad.

Responsabilidades

• Definir arquitecturas y estándares para productos basados en ML, LLMs y sistemas de recuperación.
• Evaluar alternativas: modelos gestionados o propios, fine-tuning, RAG, agentes y enfoques deterministas.
• Decidir cuándo aplicar ML tradicional (modelos tabulares, scoring, detección de fraude, series temporales) frente a enfoques basados en LLMs.
• Liderar el diseño de plataformas de evaluación, observabilidad y mejora continua.
• Establecer criterios de fiabilidad, seguridad, privacidad, gobernanza y respuesta ante incidentes.
• Optimizar coste total, rendimiento, escalabilidad, resiliencia y dependencia de proveedores.
• Guiar decisiones de datos, despliegue, versionado, experimentación y rollback.
• Desbloquear problemas complejos entre producto, ingeniería, datos, seguridad y operaciones.
• Gobernar el ciclo de vida de modelos (model registry, aprobación, retiro) y la gestión de riesgo de modelo.
• Definir la estrategia de build vs buy y la relación con proveedores y vendors.
• Establecer políticas de datos, incluyendo residencia y soberanía de datos.
• Liderar la respuesta a incidentes de IA, definiendo el runbook y los criterios de escalado.
• Mentorar ingenieros, liderar revisiones de diseño y elevar estándares de calidad.
• Comunicar riesgos, trade-offs y resultados a responsables técnicos y de negocio.
• Definir la arquitectura y los estándares de adopción de MCP para conectar agentes, herramientas y sistemas empresariales de forma gobernada.

Competencias técnicas

• Dominio de Python, sistemas distribuidos, APIs, arquitectura cloud y patrones de integración.
• Experiencia profunda con ML/LLMs: inferencia, evaluación, recuperación, orquestación y optimización.
• Dominio de ML tradicional: modelos tabulares, scoring, detección de fraude, series temporales, selección de variables y explicabilidad (p. ej. SHAP).
• Diseño de evaluaciones robustas: datasets representativos, métricas, pruebas adversariales y análisis causal de fallos.
• MLOps/LLMOps: pipelines, despliegues progresivos, observabilidad, trazabilidad y gestión del ciclo de vida.
• Seguridad de IA: aislamiento de herramientas, permisos mínimos, protección de datos, red teaming y controles contra prompt injection.
• Capacidad para modelar costes, SLOs, capacidad, resiliencia y riesgos de terceros.
• MCP: arquitectura de ecosistemas cliente-servidor, interoperabilidad, evolución de contratos, autenticación/autorización, aislamiento de herramientas, observabilidad y gobierno de integraciones.
• Context engineering: diseño y gestión del contexto que recibe el modelo (instrucciones del sistema, memoria, recuperación, herramientas y estado), con estrategias de compactación, priorización, y control de la ventana de contexto para optimizar fiabilidad, latencia y coste.
• SDD y TDD: establece el flujo de especificación previa (requisitos y criterios de aceptación antes del diseño y del código) y la disciplina de pruebas primero, definiendo estándares de testing y trazabilidad entre especificación, pruebas e implementación.