Ingeniero de IA Generativa Senior

Perfil de la Posición

Estamos buscando un/a Ingeniero/a de IA Generativa Senior para diseñar, construir y llevar a producción soluciones basadas en modelos de lenguaje (LLMs). El perfil ideal combina sólida ingeniería de software con experiencia práctica en aplicaciones de IA generativa: sistemas RAG, agentes y automatización de procesos de negocio. Buscamos a alguien capaz de pasar de la prueba de concepto a un producto confiable, medible y seguro.

Responsabilidades Principales

• Soluciones con LLMs: Diseñar y desarrollar aplicaciones basadas en modelos de lenguaje (APIs de modelos propietarios y open source) integradas en productos reales.
• RAG y búsqueda semántica: Implementar pipelines de recuperación aumentada con bases vectoriales, embeddings y estrategias de chunking y reranking.
• Agentes y orquestación: Construir flujos con agentes, uso de herramientas y orquestación de múltiples pasos para automatizar tareas complejas.
• Evaluación y calidad: Definir métricas y pruebas para medir precisión, latencia, costo y alucinaciones, y mejorar continuamente los resultados.
• Seguridad y buenas prácticas: Aplicar guardrails, manejo responsable de datos sensibles y criterios de gobernanza de IA.
• Colaboración: Trabajar con producto, datos e ingeniería para identificar casos de uso y llevarlos a producción.

Requisitos Excluyentes

• Experiencia: +5 años en desarrollo de software y al menos 1 a 2 años construyendo soluciones con LLMs en producción.
• Programación: Dominio de Python y diseño de APIs (FastAPI o similar).
• IA generativa: Experiencia con APIs de LLMs (OpenAI, Anthropic, Google u open source), prompting avanzado y técnicas de RAG.
• Datos: Conocimientos de bases vectoriales (pgvector, Pinecone, Weaviate o similares) y SQL.
• Cloud: Experiencia en AWS, GCP o Azure para despliegue de servicios de IA.
• Ingeniería: Buenas prácticas de testing, CI/CD y control de versiones con Git.

Deseable (Plus)

• Frameworks: Experiencia con LangChain, LlamaIndex o frameworks de agentes.
• Fine-tuning y modelos propios: Ajuste fino, modelos open source o despliegue local de LLMs.
• MLOps / LLMOps: Monitoreo, trazabilidad y versionado de prompts y modelos.
• Contenerización: Docker y Kubernetes.
• Soft Skills: Capacidad para traducir necesidades de negocio en soluciones de IA claras y medibles.