Applied AI Engineer

• Sólida base en machine learning y arquitecturas modernas de redes neuronales.

• Experiencia práctica en el entrenamiento, ajuste fino (fine-tuning) o despliegue de modelos de ML

• Capacidad para escribir código limpio y de calidad de producción

• Comodidad trabajando a través de capas de abstracción (modelo → infra → producto)

• Gran capacidad de resolución de problemas en entornos ambiguos y de ritmo rápido

• Orientación hacia el lanzamiento, la iteración y la mejora continua

Hoy en día, más de 5.000 millones de usuarios utilizan aplicaciones básicas como el correo electrónico, notas, tareas o el calendario, y estas no son nativas de IA. Nuestra misión es crear aplicaciones proactivas para cualquier persona en el mundo que no esté acostumbrada a realizar prompts complejos. Nuestro objetivo es aportar inteligencia a las conversaciones, recados, organización y flujos de trabajo, con un mínimo de prompting o incluso sin él.

Nuestro producto se centra en lograr una alta fiabilidad para flujos de trabajo de larga duración, contexto persistente y la realización de tareas en el mundo real. Creemos que los productos reducirán enormemente las alucinaciones.

Nuestro objetivo es organizar la vida de cualquier persona, permitiéndonos a todos dedicar tiempo a cosas valiosas y significativas.

Como Applied AI Engineer, transformarás las capacidades de los modelos en comportamientos reales de producto. Te harás responsable de los problemas de principio a fin, desde dar forma al comportamiento del modelo hasta la construcción de los sistemas que lo rodean, asegurando que funcione de forma fiable en producción.

Este rol se sitúa en la intersección entre el aprendizaje automático (machine learning), los sistemas y el producto, centrándose en hacer que la IA funcione realmente para los usuarios, no solo en demostraciones, sino en el uso del mundo real.

• Construir y lanzar funciones de IA de extremo a extremo (modelo → sistema → experiencia de usuario)

• Diseñar e iterar sobre prompts, herramientas, memoria y flujos de trabajo de agentes

• Transformar las salidas brutas de los modelos en comportamientos estructurados, fiables y predecibles

• Depurar problemas en todo el stack (modelo, orquestación, infraestructura, UX)

• Optimizar la latencia, el coste y la fiabilidad en producción

• Desarrollar marcos de evaluación ligeros para medir el rendimiento en el mundo real

• Trabajar estrechamente con los equipos de producto e ingeniería para traducir problemas ambiguos en sistemas operativos

• Python

• PyTorch / JAX

• LLMs (APIs estilo OpenAI, LLaMA, Qwen, etc.)

• Inferencia / serving (por ejemplo, vLLM)

• Vector DB

• Los modelos de ML en producción cumplen con los objetivos esperados de precisión, latencia y fiabilidad.

• Los problemas de producción se identifican rápidamente, se depuran eficazmente y se abordan sus causas raíz.

• Los pipelines de datos, los bucles de entrenamiento y los sistemas de inferencia son robustos, reproducibles y mantenibles.

• Colabora eficazmente con los equipos de ingeniería, producto e investigación para ofrecer funciones fiables impulsadas por ML.

• Las iteraciones en modelos y sistemas se basan en señales del mundo real y mejoras mensurables.