Ingeniero de Grafos de Conocimiento Sénior

• Apoyo con todo el equipo de oficina y de IT necesario
• Horario flexible
• Asignación de bienestar para el bienestar mental y físico
• Acceso a apoyo profesional de salud mental
• Política de bonificación por referidos
• Aprendizaje y desarrollo 
• Eventos de sostenibilidad y participación comunitaria
• Programa de reconocimiento entre compañeros
• Grupos de recursos liderados por empleados
• Política de trabajo remoto desde el extranjero
• Cheques de comida y transporte (tarjeta Coverflex)
• Beneficios dentales 
• Seguro de vida y accidentes + Seguro médico privado
• Día de voluntariado remunerado para el empleado
• Día de mudanza remunerado (1 al año)
• Tiempo libre: 1 día de servicio comunitario + 1 día personal
• Horario de verano en julio y agosto (36 horas semanales)
• Asignación mensual híbrida para electricidad e Internet

• Oferta disponible únicamente para candidatos con derecho a trabajar y vivir en España

• Ubicación: Híbrido en Barcelona (4 días al mes en la oficina) / Remoto total desde España 

• Grado en Informática, Matemáticas, Ingeniería o una disciplina técnica relacionada

• Más de 4 años de experiencia en producción construyendo y realizando consultas en bases de datos de grafos, específicamente "Labeled Property Graphs" (Neo4j, Memgraph, TigerGraph) o almacenes de triples RDF (GraphDB, Stardog, Virtuoso)

• Sólida experiencia en tecnología en la nube, preferiblemente Azure y su ecosistema (por ejemplo, Azure Foundry, Azure Bicep, AzureML y Azure Cloud Storage)

• Competencia avanzada en Python (RDFLib, NetworkX, PyGraphistry) para la construcción de canales de datos escalables y de nivel de producción

• Experiencia en la construcción de canales de extracción de entidades utilizando marcos de trabajo de NLP modernos (LangChain, LlamaIndex, spaCy) o extracción estructurada basada en LLM

• Experiencia práctica con herramientas modernas de transformación de datos (dbt) e integración de bases de datos de grafos con almacenes de vectores (Qdrant, Pinecone, pgvector) para arquitecturas de búsqueda híbrida

• Comprensión sólida de los estándares de la web semántica (RDF, RDFS y OWL, SKOS, SHACL, RDF-star, SPARQL), principios de diseño de esquemas de grafos (separación T-Box vs. A-Box) y lenguajes de mapeo para tratar con estructuras de datos heterogéneas (RML, R2RML)

• Se valorará la experiencia trabajando con estructuras de datos específicas de la cadena de suministro, contabilidad de carbono (GHG Protocol) o evaluación del ciclo de vida (LCA)

• Se valorará la experiencia directa construyendo servidores "Model Context Protocol" (MCP) para exponer herramientas de grafos a agentes LLM

• Se valorará la experiencia con enfoques OBDA empresariales a gran escala

Estamos buscando un Senior Knowledge Graph Engineer con un enfoque práctico y orientado a la producción para unirse a nuestro creciente AI Center of Excellence, responsable de utilizar la IA y el aprendizaje automático para impulsar la innovación en toda la organización.  En este puesto, tomarás las ontologías de dominio formales diseñadas por nuestros Knowledge Representation Architects y las operacionalizarás en sistemas de alto rendimiento y multi-hop.

Tu trabajo impulsará directamente agentes de IA autónomos que resuelven desafíos complejos de sostenibilidad, incluyendo la descarbonización, el cumplimiento de la contratación sostenible y la resiliencia de la cadena de suministro. Cerrarás la brecha entre las divulgaciones de sostenibilidad no estructuradas y las bases de datos de grafos estructuradas, construyendo pipelines de resolución de entidades que preparen los datos empresariales para su uso por agentes.

Tus responsabilidades incluirán (entre otras):

• Infraestructura de grafos y canales de ingesta

  • Diseñar, implementar y mantener canales de ingesta "GraphRAG" de alta velocidad que transformen datos relacionales (ERP, SQL), informes ESG no estructurados y flujos de datos en streaming en grafos de propiedades etiquetados ("Labeled Property Graphs": Neo4j, Memgraph) operativos y almacenes de triples RDF

• Instanciación de A-Box y resolución de entidades

  • Construir flujos de trabajo automatizados de Reconocimiento de Entidades Nombradas (NER), vinculación de entidades y deduplicación para resolver perfiles de proveedores, SKUs de materiales y coordenadas de instalaciones desajustados en nodos de grafos canónicos unificados

• Federación semántica e integración de datos externos

  • Implementar canales ETL/ELT automatizados para mapear y federar datos internos de la cadena de suministro con ontologías y registros externos de código abierto (como GLEIF para la propiedad corporativa, W3C SSN/SOSA para sensores IoT, y Copernicus para alertas de riesgos geológicos, PROV-O para la procedencia de los datos)

• GraphRAG y herramientas para agentes

  • Colaborar con ingenieros de IA/ML para construir capas de recuperación GraphRAG de baja latencia: escribir consultas Cypher y SPARQL optimizadas, implementar herramientas NL2Query para agentes, pipelines híbridos de indexación vectorial-grafos y endpoints de herramientas con Model Context Protocol (MCP) para agentes LLM autónomos

• Barreras deterministas y validación de canales

  • Operacionalizar formas de SHACL ("Shapes Constraint Language") en pruebas automatizadas de calidad de datos dentro de canales de CI/CD para evitar que mutaciones de datos alucinadas o no conformes entren en el grafo de conocimiento empresarial

• Optimización del rendimiento y GraphOps

  • Optimizar el rendimiento de consultas de múltiples saltos, el particionamiento de grafos y las estrategias de indexación de bases de datos para gestionar recorridos de menos de un segundo sobre miles de millones de nodos y aristas