About the job:
Misión del puesto
Buscamos una persona para el puesto de Manager AI Innovation Engineer, con un perfil de más de 8 años de experiencia en Machine Learning, GenAI y en el desarrollo de proyectos y soluciones que combinen datos y modelos analíticos y de ML. Se combinará experimentación analítica avanzada con el desarrollo de soluciones basadas en LLMs y arquitecturas agénticas, desde la definición del caso de uso hasta su puesta en producción.
Responsabilidades principales
Evaluación y experimentación con GenAI
- Seleccionar y evaluar comparativamente modelos fundacionales para distintos casos de uso, incluidas aplicaciones de lenguaje, voz y soluciones multimodales.
- Diseñar y ejecutar planes de evaluación, definiendo métricas técnicas y de negocio y comparando modelos en distintos escenarios.
- Construir de forma iterativa datasets de entrenamiento, validación y evaluación.
- Adaptar modelos generativos y discriminativos mediante fine-tuning u otras técnicas equivalentes.
- Definir metodologías de experimentación controlada, como pruebas A/B, y validar KPIs analíticos asociados a soluciones basadas en LLM.
Desarrollo de soluciones basadas en LLMs y sistemas agénticos
- Diseñar y desarrollar soluciones analíticas basadas en LLMs, incluidas arquitecturas que combinen varios modelos.
- Diseñar y desarrollar sistemas agénticos en los que los modelos interactúen con herramientas, APIs, fuentes de conocimiento externas y modelos de ML.
- Desarrollar flujos de razonamiento y orquestación de modelos, con planificación de tareas, uso de herramientas y composición de varios pasos de inferencia.
- Construir bases de conocimiento y datasets de dominio para alimentar modelos generativos.
- Crear sistemas donde los LLMs funcionen como interfaces inteligentes para interactuar con sistemas y datos corporativos.
- Desarrollar pipelines de inferencia y servicios backend; integrar modelos con sistemas y operativas del banco, incluidas APIs y sistemas corporativos.
- Participar en ciclos iterativos de experimentación, desde el prototipo hasta la solución productiva.
Investigación aplicada y transferencia de conocimiento
- Explorar de forma continua avances en LLMs, modelos fundacionales, técnicas avanzadas de NLP y arquitecturas agénticas.
- Evaluar tecnologías y frameworks relevantes para soluciones de IA generativa.
- Comunicar conceptos técnicos a audiencias internas con distintos niveles de especialización.
Requisitos técnicos
Machine Learning Engineering
- Experiencia en el ciclo de vida completo de proyectos de ML y NLP: exploración de datos (EDA), construcción de datasets, selección y entrenamiento de modelos, evaluación y monitorización.
- Experiencia desarrollando soluciones analíticas productivas, pipelines de ML y servicios de inferencia.
- Experiencia en MLOps: automatización de pipelines, integración y despliegue continuo, observabilidad y monitorización de modelos.
Infraestructura, cloud y herramientas
- Experiencia trabajando en entornos cloud, especialmente AWS y GCP, y desplegando e integrando soluciones de ML en cloud.
- Conocimiento de infraestructura como código (IaC), por ejemplo CloudFormation.
- Experiencia con Git y prácticas CI/CD para integración y despliegue de software.
- Programación en Python; se valorará experiencia con TypeScript o Node.js.
- Experiencia con frameworks de orquestación de LLMs y agentes, como LangGraph, Agents SDK, AWS Strands u otros equivalentes.
- Experiencia utilizando agentes de programación como Codex, Claude Code, Cursor, GitHub Copilot o herramientas similares.
Riesgos de los modelos generativos
- Comprensión de riesgos asociados a los modelos generativos, incluidos la alucinación de hechos, los sesgos, la impredecibilidad y las omisiones en la generación.
Experiencia valorable
- Experiencia con otros entornos cloud, como GCP / Vertex AI.
- Experiencia en entornos on-premise.
- Experiencia en el sector bancario, en plantilla o en consultoría.
Competencias personales
- Espíritu de equipo y capacidad para trabajar de forma colaborativa.
- Capacidad para explicar conceptos técnicos a perfiles no técnicos.
- Mentalidad analítica y orientación a la experimentación.
- Flexibilidad y adaptación a entornos tecnológicos en evolución.
Skills:
English Language, Machine Learning (ML), Object-Oriented Programming (OOP), Tensorflow
