Entrenador de inteligencia artificial

Habilidades

Habilidades técnicas

• Dominio de Python (pandas, NumPy, scikit-learn) para manipulación de datos.
• Experiencia con TensorFlow y PyTorch en desarrollo de modelos.
• Uso de plataformas de anotación como Label Studio, CVAT, Scale AI.
• MLflow para seguimiento de experimentos y gestión de resultados.
• Conocimiento de SQL y gestión de bases de datos complejas.
• Métricas de evaluación de modelos (F1, AUC-ROC, BLEU) para análisis.
• Habilidad en Git y control de versiones para colaboración eficiente.
• Aplicación de técnicas de data augmentation para mejorar datasets.

Habilidades interpersonales

• Atención extrema al detalle en la revisión de datos.
• Capacidad de síntesis para documentar procesos complejos.
• Rigor metodológico en la reproducibilidad de experimentos.
• Comunicación clara con perfiles técnicos y no técnicos.
• Adaptabilidad ante cambios frecuentes de requisitos.

Misiones

• Recopilar y estructurar conjuntos de datos desde fuentes internas y externas para alimentar pipelines de entrenamiento.
• Diseñar esquemas de anotación y guías de etiquetado aplicando criterios de calidad medibles (precisión >95%).
• Etiquetar manualmente imágenes, textos o audios utilizando herramientas como Label Studio, CVAT o Prodigy, reduciendo el error humano.
• Validar la coherencia y representatividad de los datasets mediante métricas estadísticas (distribución de clases, sesgo, cobertura).
• Lanzar experimentos de entrenamiento en TensorFlow o PyTorch, ajustando hiperparámetros y registrando resultados en MLflow.
• Evaluar el rendimiento de modelos con métricas F1, precisión, recall y AUC-ROC, comparando versiones sucesivas.
• Detectar y corregir sesgos en los datos de entrenamiento aplicando técnicas de data augmentation y re-muestreo.
• Documentar protocolos de anotación, versiones de datasets y resultados de experimentos en Confluence o Notion.
• Coordinar sesiones de revisión con el equipo de ML para alinear objetivos de negocio con criterios de evaluación del modelo.
• Monitorizar el comportamiento del modelo en producción, identificando degradaciones de rendimiento y generando alertas.
• Contribuir a la mejora continua del pipeline de datos, reduciendo tiempos de preparación en cada sprint.

Entornos de trabajo

Los entornos de trabajo pueden variar:

Posibles evoluciones

• Convertirse en Ingeniero de machine learning, liderando proyectos avanzados.
• Evolucionar hacia Científico de datos, analizando grandes volúmenes de información.
• Especializarse como Especialista en MLOps, optimizando pipelines.
• Desarrollarse como Investigador en IA aplicada, impulsando nuevas tecnologías.
• Asumir el rol de Responsable de calidad de datos, garantizando estándares elevados.

Perfil buscado