AI Engineer IA Generativa

Requisitos

✅ IA Generativa y Grandes Modelos de Lenguaje (LLMs).
✅ Arquitecturas RAG (Retrieval-Augmented Generation) y sistemas de agentes.
✅ Python.
✅ LangChain, LlamaIndex o Hugging Face.
✅ Bases de datos vectoriales (Pinecone, ChromaDB, Milvus, PGVector o Azure AI Search).
✅ Azure OpenAI, AWS Bedrock o Google Vertex AI.
✅ Desarrollo de APIs y microservicios con FastAPI o Flask.
✅ Docker.
✅ LLMOps / MLOps.
✅ Prompt Engineering y evaluación de modelos.Requisitos
✔️ Título profesional de Ingeniería Civil Informática, Ingeniería Informática, Ciencia de Datos o carrera afín.
✔️ Al menos 2 a 3 años de experiencia desarrollando aplicaciones integradas con Inteligencia Artificial o Machine Learning.
✔️ Inglés técnico con capacidad de lectura avanzada.

Projects

Objetivo del cargoResponsable de diseñar, desarrollar e integrar soluciones basadas en Inteligencia Artificial, principalmente IA Generativa, Grandes Modelos de Lenguaje (LLMs) y Machine Learning tradicional, dentro de las plataformas y flujos de la Gerencia de Tecnología de Pagos.Su principal objetivo será habilitar capacidades cognitivas como automatización inteligente, asistentes virtuales, procesamiento de lenguaje natural y análisis predictivo, asegurando que las soluciones sean escalables, eficientes en costos, seguras y alineadas con las políticas de gobernanza de datos y las normativas del sector bancario.

Principales funciones

Asegurar que las soluciones de Inteligencia Artificial cumplan con las políticas corporativas de seguridad de la información y las regulaciones bancarias sobre privacidad de datos. Validar y refinar historias de usuario relacionadas con componentes de IA, transformando requerimientos de negocio en especificaciones técnicas, incluyendo diseño de prompts y utilización de bases de datos vectoriales. Definir y construir los flujos de preparación y curación de datos (Data Pipelines) necesarios para proporcionar contexto a los modelos.Proporcionar requerimientos técnicos claros a los equipos de Integraciones, Datos y Arquitectura respecto de la infraestructura necesaria para soluciones de IA, tanto en ambientes Cloud como On-Premise. Gestionar oportunamente riesgos técnicos, alertas de degradación de modelos (Model Drift) y posibles cuellos de botella en ambientes productivos. Garantizar que las soluciones desarrolladas reduzcan la dependencia de consultorías externas mediante una adecuada documentación técnica y transferencia de conocimiento al equipo interno.