Ingeniero de ML Aplicado

Applied ML Engineer

Buscamos un Applied ML Engineer para construir sistemas en la intersección entre la investigación en machine learning y el software de producción.

Este es un rol de ingeniería de extremo a extremo (end-to-end). Debes sentirte cómodo leyendo un artículo de investigación, identificando qué es realmente testeable, construyendo el experimento útil más pequeño, evaluándolo rigurosamente y convirtiendo el resultado en un sistema de producción con el que los usuarios puedan interactuar.

Trabajarás en la evaluación de modelos, la arquitectura interna de los modelos, la infraestructura de inferencia, los sistemas backend y las interfaces de producto. El objetivo no es simplemente reproducir la investigación, sino convertir métodos prometedores en productos fiables, medibles y utilizables.

• Un rol de investigación pura donde el trabajo termina con un artículo o un notebook.

• Una posición genérica de entrenamiento o fine-tuning de modelos.

• Un rol de ingeniería exclusivamente de frontend o exclusivamente de backend.

• Un rol donde las puntuaciones de los benchmarks se aceptan sin cuestionar cómo se produjeron.

• Un rol para alguien que quiera quedarse dentro de una única capa del stack.

Buscamos a alguien que disfrute moviéndose entre la investigación, la experimentación, la ingeniería y el producto, y que se preocupe por construir sistemas que produzcan evidencia en la que la gente pueda confiar realmente.

• Reproducir y evaluar métodos de investigación utilizando modelos de pesos abiertos (open-weight) y accesibles mediante API.

• Diseñar conjuntos de datos de evaluación, sondas (probes), métodos de puntuación, líneas de base (baselines), pruebas de calibración y entornos de experimentación (experiment harnesses).

• Trabajar directamente con pesos de modelos, logits, estados ocultos (hidden states), activaciones, APIs de modelos e infraestructura de inferencia cuando sea necesario.

• Construir y ampliar nuestra infraestructura de evaluación, incluyendo ejecutores (runners), jueces, persistencia, orquestación de experimentos y generación de informes.

• Convertir los flujos de trabajo de investigación en experiencias de producto, incluyendo la configuración de experimentos, ejecuciones, trazas, comparaciones, informes y flujos de trabajo de revisión.

• Investigar cómo se comportan los métodos de verificación bajo la modificación de modelos, incluyendo fine-tuning, fusión (merging), cuantización, destilación, eliminación de seguridad y evasión deliberada.

• Diseñar experimentos controlados que separen las señales significativas de los artefactos o factores de confusión.

• Escribir informes técnicos claros que distingan entre la evidencia medida, la interpretación y las hipótesis.

• Lanzar sistemas de calidad de producción con APIs, tareas en segundo plano, observabilidad, pruebas y documentación.

• Reproducir al menos un método publicado de procedencia de modelos o verificación y documentar claramente sus capacidades, supuestos y limitaciones.

• Construir un ejecutor de verificación de modelos repetible con entradas, artefactos, métricas e informes versionados.

• Añadir al menos un flujo de trabajo de verificación a Construct y hacerlo accesible a través de la interfaz de usuario de Eldros.

• Realizar experimentos controlados en modelos base, modelos con fine-tuning, modelos fusionados, modelos cuantizados y modelos conocidos por ser destilados.

• Mejorar nuestra capacidad para entender cuándo los métodos de verificación tienen éxito, cuándo fallan y por qué.

• Dejar código, pruebas, herramientas y documentación de calidad de producción que otro ingeniero pueda operar y ampliar con confianza.