Senior ML / Search & LLM Ops (Contractor)

• Educación: Máster o Doctorado en Informática, Machine Learning o un campo cuantitativo (o experiencia práctica equivalente).

• Experiencia profesional: Trayectoria demostrada en la entrega de modelos de ML de grado de producción y PoCs en Búsqueda, Recuperación de Información (IR) o infraestructura de LLM.

• Stack tecnológico principal: Experiencia práctica profunda con Python, PyTorch y el ecosistema de Hugging Face (Transformers, PEFT, Accelerate).

• Inferencia y optimización: Experiencia práctica con cuantización de modelos, optimización de VRAM y frameworks de servicio de alto rendimiento (Triton, TEI, vLLM).

• MLOps y despliegue: Experiencia en el uso de AWS SageMaker para entrenamiento/despliegue, combinada con herramientas de seguimiento y trazabilidad de experimentos (MLflow, Opik).

• Estilo de ejecución: Capacidad para trabajar de forma autónoma, entregar código modular y bien documentado, y validar ideas rápidamente mediante pruebas empíricas[cite: 2, 3].

• Idioma y estatus: Habilidades de comunicación en inglés fluido (escrito y verbal). Se requiere estatus legal de trabajo en Europa / alineación con la zona horaria de la UE.

• Experiencia directa implementando RLHF o Direct Preference Optimization (DPO).

• Familiaridad con datos de mercados financieros y procesamiento de dominios de texto financiero.

Ejecución directa, prototipado rápido y entrega de optimizaciones "plug-and-play" para nuestro stack de búsqueda y LLM. Algunos ejemplos de lo que podrías estar haciendo incluyen:

• Fine-tuning específico de dominio y PoCs: Implementar y evaluar adaptaciones de LLM de código abierto dirigidas utilizando PEFT (LoRA, QLoRA) y Destilación adaptadas a contextos financieros. Prototipar mecanismos de alineación de preferencias (DPO/PPO) para tareas especializadas.

• Aceleración de inferencia de alto rendimiento: Realizar benchmarks y optimizar el servicio de modelos para baja latencia y alto rendimiento (throughput). Aplicar técnicas de cuantización (AWQ, GPTQ) y aprovechar motores especializados (Triton Inference Server, TEI, vLLM).

• Optimización de búsqueda y recuperación: Prototipar y validar técnicas de búsqueda avanzadas, incluyendo Matryoshka embeddings, modelos de interacción tardía (late interaction) y pipelines de búsqueda híbrida que combinen datos estructurados y no estructurados.

• Entrega de pipelines modulares: Empaquetar scripts de entrenamiento, evaluación y servicio en entregables limpios y reproducibles utilizando AWS SageMaker y Docker.

• Evaluación y benchmarking de eficiencia: Configurar la generación de datos sintéticos y sistemas de evaluación automatizados (por ejemplo, Opik, LLM-as-a-judge) para medir las compensaciones entre coste, latencia y calidad de las PoCs entregadas.

• Duración del contrato: Contratación inicial de 3 a 6 meses con posibilidad de extensión basada en los hitos y resultados del proyecto.

• Modelo de trabajo: Colaborador independiente integrado en el equipo interno de ingeniería de Búsqueda y Recomendación.

• Compensación: Tarifa de contrato competitiva, diaria o basada en proyectos, acorde con la experiencia.