Ingeniero de Machine Learning - Edge AI y Visión Artificial

• Sólido conocimiento práctico de machine learning y redes neuronales.

• Sólidas habilidades en Python.

• Experiencia con PyTorch o un framework de ML moderno similar.

• Buen conocimiento de visión artificial y procesamiento de imágenes.

• Experiencia en el entrenamiento, la evaluación y la depuración de redes neuronales.

• Buen conocimiento de conjuntos de datos, aumentación, validación, overfitting y generalización de modelos.

• Capacidad para trabajar de forma independiente y asumir la responsabilidad de problemas técnicos complejos.

• Gran capacidad de resolución de problemas y atención al detalle.

• Inglés fluido.

La experiencia con Edge AI, TinyML o el despliegue de redes neuronales embebidas es una ventaja significativa.

La experiencia muy valorada incluye:

• Cuantización INT8 y entrenamiento consciente de la cuantización (quantization-aware training).

• Compresión de modelos, pruning o destilación de conocimiento.

• Arquitecturas CNN compactas e inferencia en tiempo real.

• ONNX, TensorFlow Lite, TensorFlow Lite Micro o tecnologías similares.

• NPUs, DSPs, GPUs o aceleradores de redes neuronales.

• Experiencia en C#.

• Desarrollo en C o C++.

• Microcontroladores y sistemas embebidos.

• Visión artificial en tiempo real.

• Sistemas de cámaras y sensores de imagen.

• Generación de datos sintéticos y aleatorización de dominios (domain randomization).

• Gráficos 3D, Blender, Unreal Engine o herramientas similares.

• Aprendizaje autosupervisado, semisupervisado o activo.

• Procesamiento de señales, matemáticas, optimización o estimación de estados.

• Realidad virtual, robótica, sistemas de seguimiento o captura de movimiento.

• Proyectos personales, trabajo de investigación, contribuciones de código abierto o un sólido portafolio técnico.

• Mentalidad "maker": construir prototipos, probar ideas, aprender de los fallos e iterar rápidamente.

No se requieren credenciales académicas. La capacidad de implementación práctica es más importante que los títulos académicos.

• Trabajar con tecnología de aprendizaje automático que funcionará directamente dentro de productos de hardware de consumo reales.

• Participación en nuevos proyectos de I+D desde los primeros prototipos hasta la producción.

• Trabajo técnicamente desafiante que involucra machine learning, sistemas embebidos, electrónica, seguimiento, realidad virtual y robótica.

• Autonomía significativa e influencia directa sobre las decisiones técnicas.

• Acceso a nuestro propio laboratorio, GPUs, hardware de desarrollo, prototipos, equipos de prueba y herramientas de producción.

• Horario de trabajo flexible.

• Posibilidad de trabajo remoto parcial cuando sea compatible con el rol.

• Salario competitivo basado en la experiencia y la capacidad técnica.

• Revisiones salariales vinculadas a la responsabilidad, el rendimiento y el impacto.

Estamos buscando un Machine Learning Engineer con sólida experiencia práctica en visión artificial y redes neuronales para unirse a nuestro equipo.

El candidato seleccionado trabajará en la investigación, desarrollo, entrenamiento, optimización y despliegue de sistemas de aprendizaje automático para los productos de hardware actuales y futuros de FluxPose. Este es un rol técnico práctico que cubre todo el ciclo de desarrollo, desde la experimentación y la creación de conjuntos de datos hasta el despliegue en hardware de producción.

Buscamos a alguien capaz de resolver de forma independiente problemas técnicamente inciertos y de convertir investigaciones o prototipos en sistemas fiables en tiempo real.

• Diseñar, entrenar, evaluar y mejorar modelos de aprendizaje automático para aplicaciones de detección y seguimiento en tiempo real.

• Desarrollar sistemas de visión artificial y procesamiento de imágenes.

• Construir y mantener conjuntos de datos, pipelines de recogida de datos y herramientas de evaluación.

• Generar datos de entrenamiento sintéticos cuando sea apropiado.

• Optimizar modelos en cuanto a precisión, latencia, uso de memoria y coste computacional.

• Cuantizar y desplegar redes neuronales en plataformas embebidas o aceleradas por hardware.

• Desarrollar herramientas para el entrenamiento, la visualización, el benchmarking y la evaluación automatizada.

• Investigar casos de fallo en el mundo real y mejorar la robustez de los modelos.

• Colaborar estrechamente con ingenieros de sistemas embebidos, electrónica, mecánica y software.