AI Deployment Engineer - Barcelona
Indexed description
Responsabilidades
- Industrializar y desplegar modelos de Machine Learning, Deep Learning, RAGs y agentes en entornos productivos.
- Diseñar y operar servicios de inferencia (batch, online y streaming) con SLAs definidos.
- Implementar pipelines de entrenamiento e inferencia, versionado y promoción de modelos.
- Definir e implantar estrategias de monitorización, detección de drift y control de calidad en producción.
- Asegurar observabilidad end‑to‑end (logs, métricas, trazas) y establecer SLOs/alertas.
- Gestionar despliegues, rollbacks y estrategias canary/blue‑green.
- Integrar y operar proveedores de LLMs y servicios externos, controlando latencia, costes y límites.
- Garantizar Responsible AI, privacidad (PII) y cumplimiento normativo (EU AI Act).
Requerimientos (Competencias Técnicas / Hard Skills)
- Fundamentos de Machine Learning y evaluación
- Conocimiento técnico sólido de modelos de Machine Learning y Deep Learning, con capacidad para formular correctamente distintos tipos de problemas y evaluar, interpretar y mejorar el rendimiento de los modelos en función del caso de uso.
- Capacidad para seleccionar métricas adecuadas, analizar resultados, definir criterios de validación y tomar decisiones técnicas orientadas a negocio y operación.
- Comprensión de los principios de explicabilidad e interpretabilidad de modelos y de sus limitaciones en entornos reales.
- LLMs, GenAI, RAGs y agentes
- Conocimiento técnico de modelos de lenguaje, embeddings y gestión de contexto, aplicado a soluciones de IA generativa en producción.
- Capacidad para diseñar, evaluar y operar sistemas RAG, así como para controlar calidad, relevancia y alucinaciones en las respuestas.
- Comprensión de arquitecturas basadas en agentes, incluyendo orquestación, uso de herramientas y gestión de memoria.
- Aplicación de criterios de seguridad, privacidad y control en soluciones GenAI.
- Ingeniería de software (Python) aplicada a despliegue
- Capacidad para desarrollar y estructurar servicios de IA en Python siguiendo buenas prácticas de ingeniería de software.
- Experiencia en diseño y operación de APIs de inferencia, así como en la gestión del ciclo de vida del código en entornos productivos.
- Aplicación de estrategias de testing, validación de contratos y gestión reproducible de entornos, orientadas a fiabilidad y mantenimiento.
- MLOps / AIOps e infraestructura
- Conocimiento de MLOps y AIOps para gestionar el ciclo de vida completo de modelos en producción, desde entrenamiento hasta despliegue y retirada.
- Capacidad para diseñar y operar pipelines, versionado de modelos y procesos CI/CD, garantizando despliegues seguros y reversibles.
- Experiencia en despliegue de servicios de IA sobre infraestructuras contenerizadas y orquestadas, así como en su integración con servicios externos y proveedores de LLMs.
- Monitorización, drift, bias y gobernanza
- Capacidad para definir e implantar estrategias de monitorización y observabilidad de modelos y servicios de IA en producción.
- Identificación y gestión de degradación de modelos, drift de datos y cambios de comportamiento a lo largo del tiempo.
- Conciencia y aplicación de principios de Responsible AI, incluyendo sesgos, fairness, privacidad y requisitos regulatorios.
- Conocimiento de gobernanza del ciclo de vida del modelo, documentación mínima, criterios de retirada y procesos de aprobación.
- Incorporarse a una entidad líder en el sector con proyectos innovadores y novedosos.
- Plan de carrera, desarrollo profesional y formación continuada.
- Contrato indefinido, flexibilidad horaria y modelo híbrido.
- Salario competitivo, plan de beneficios y retribución flexible.
Create a free Caio profile to unlock more results and save your role and location preferences.
Unlock free search