Como arquitecto de soluciones de ML, usted será el puente técnico entre los clientes y los equipos de entrega. Dirigirá las discusiones técnicas previas a la venta, diseñará arquitecturas de ML que resuelvan problemas empresariales y garantizará que las soluciones sean factibles, escalables y estén alineadas con las necesidades del cliente. Este es un puesto altamente orientado al cliente que exige tanto una profunda experiencia técnica como sólidas habilidades comunicativas. ### **Responsabilidades principales: 1. Preventa y diseño de soluciones (50 %):** * Dirigir sesiones técnicas de descubrimiento con clientes potenciales * Comprender los problemas empresariales del cliente y traducirlos en soluciones de ML * Diseñar arquitecturas integrales de ML y propuestas técnicas * Elaborar presentaciones y demostraciones técnicas convincentes * Estimar el alcance del proyecto, los plazos, los costos y los requisitos de recursos * Apoyar a los directores generales en la obtención de nuevos negocios ### **2. Liderazgo técnico orientado al cliente (30 %):** * Actuar como principal punto de contacto técnico para los clientes * Gestionar las expectativas de los interesados técnicos * Presentar soluciones técnicas tanto a audiencias técnicas como no técnicas * Navegar por dinámicas organizativas complejas y prioridades en conflicto * Garantizar la satisfacción del cliente durante todo el ciclo de vida del proyecto * Construir relaciones duraderas de confianza como asesor técnico ### **3. Colaboración interna y traspaso (20 %):** * Colaborar con los equipos de entrega para asegurar un traspaso fluido * Brindar orientación técnica durante la ejecución del proyecto * Contribuir al desarrollo de patrones de solución reutilizables * Compartir conocimientos y buenas prácticas con la práctica de ML * Capacitar a ingenieros en comunicación con clientes y diseño de soluciones ### **Requisitos: 1. Arquitectura y diseño de ML** * Diseño de soluciones: Capacidad para diseñar sistemas integrales de ML para diversos problemas empresariales * Ciclo de vida de ML: Profundo conocimiento del ciclo completo de vida de ML, desde los datos hasta la implementación * Diseño de sistemas: Experiencia en el diseño de arquitecturas de ML escalables y de calidad productiva * Análisis de compensaciones: Capacidad para evaluar enfoques técnicos (costo, rendimiento, complejidad) * Evaluación de viabilidad: Evaluar rápidamente si ML constituye una solución adecuada para un problema determinado ### **2. Amplitud en ML** * Múltiples dominios de ML: Experiencia en diversas aplicaciones de ML (recuperación-aumentada-generación [RAG], visión por computadora, series temporales, recomendaciones, etc.) * Soluciones basadas en modelos de lenguaje grande (LLM): Amplia experiencia en la arquitectura de aplicaciones basadas en LLM * ML clásico: Conocimientos fundamentales sobre algoritmos tradicionales de ML y su aplicación adecuada * Aprendizaje profundo: Comprensión de las arquitecturas y aplicaciones de redes neuronales * MLOps: Conocimiento de la infraestructura de ML en producción y de las prácticas DevOps ### **3. Nube e infraestructura** * Experticia en AWS: Conocimientos avanzados de los servicios de ML y datos de AWS * Experticia en GCP: Conocimientos avanzados de los servicios de ML y datos de GCP * Conocimiento multi-nube: Comprensión de alternativas como Azure y GCP * Arquitecturas sin servidor: Experiencia con Lambda, API Gateway, etc. * Optimización de costos: Capacidad para diseñar soluciones rentables * Seguridad y cumplimiento: Comprensión de la seguridad de los datos, la privacidad y el cumplimiento normativo ### **4. Arquitectura de datos** * Canalizaciones de datos: Conocimiento de patrones y herramientas ETL/ELT * Almacenamiento de datos: Conocimiento de bases de datos, lagos de datos y almacenes de datos * Calidad de los datos: Comprensión de la validación y supervisión de los datos * Procesamiento en tiempo real frente a procesamiento por lotes: Capacidad para diseñar soluciones según distintas necesidades de procesamiento de datos Podemos utilizar herramientas de inteligencia artificial (IA) para apoyar ciertas etapas del proceso de contratación, como la revisión de solicitudes, el análisis de currículums o la evaluación de respuestas. Estas herramientas ayudan a nuestro equipo de reclutamiento, pero no sustituyen el juicio humano. Las decisiones finales de contratación las toman siempre personas. Si desea más información sobre cómo se procesan sus datos, póngase en contacto con nosotros.