Ingeniero de Datos | Científico de Datos — Datos No Estructurados y Pipelines de IA

• Sólidos conocimientos de Python y de SQL

• Pipelines de datos no estructurados: transcripciones, correo, chat, documentos; análisis, normalización, deduplicación

• Infraestructura de embedding / recuperación: estrategias de fragmentación, almacenes de vectores (clase pgvector, OpenSearch, Pinecone), además de la carga de un almacén de grafos

• Integración de APIs y conectores a escala: Google Workspace / M365, Slack, CRM; límites de tasa, paginación, cursores incrementales, webhooks

• Resolución de entidades / vinculación de registros (determinista + difusa) sin una clave compartida limpia

• Orquestación: Airflow, Step Functions o equivalente; trabajos idempotentes y reiniciables

• Stack de datos en AWS y/o GCP; comodidad en despliegues privados / VPC

• Detección, redacción, cifrado y retención de PII en la práctica

• Inglés escrito claro; capacidad para redactar documentos para la entrega y trabajar bien de forma asíncrona en un equipo pequeño y distribuido

• Más de 4 años en ingeniería de datos, con trabajo real con datos no estructurados / semiestructurados (no solo modelado de almacenes)

• Experiencia demostrada integrando múltiples APIs de terceros en un almacén coherente, incluyendo el relleno de datos históricos

• Experiencia construyendo pipelines que alimentan un sistema de LLM / recuperación (gran plus)

• Experiencia manejando datos personales sensibles en un entorno regulado o con sensibilidad de seguridad

• Comodidad siendo el único ingeniero de datos en un equipo pequeño (2,5 FTE), con asignación a tiempo parcial y sin necesidad de supervisión constante

• RGPD aplicado a datos generados por empleados (correo, chat, grabaciones de reuniones) y residencia de datos en la UE en múltiples jurisdicciones

• Patrones de linaje, procedencia y auditoría de datos, y por qué un sistema de IA los necesita más, no menos

• Cómo la calidad de la recuperación depende de la calidad de la ingesta: comprensión suficiente de RAG para tomar las decisiones correctas en las etapas iniciales

• Prácticas de seguridad y costes Well-Architected; conocimiento de las expectativas de los servicios financieros (un plus)

Únete a Neurons Lab como Data Engineer (a tiempo parcial) en un proyecto emblemático con un grupo de inversión privado europeo: una holding con un equipo ejecutivo de nivel C, una función de inversión/cartera y una family office afiliada.

El programa construye una capa de contexto privada y con alcance de acceso sobre los datos del grupo, y sobre ella, habilidades de IA y agentes. Tú construirás la infraestructura subyacente: Fase 1 (Captura) - activar la ingesta a través de llamadas, correo electrónico, Slack y mensajería, actas de juntas, presentaciones y actualizaciones de cartera, tanto en tiempo real y históricas; Fase 2 (Conexión) - volcarlo todo en la capa de contexto con la identidad resuelta, el alcance de acceso adjunto y el linaje intacto.

Este es, deliberadamente, un rol de ingeniería de datos centrado en datos no estructurados. No hay un almacén limpio para modelar: la materia prima son transcripciones, hilos, archivos adjuntos y años de archivos, y los problemas difíciles son la resolución de entidades entre personas y entidades, la deduplicación, la sincronización incremental, el manejo de PII (información de identificación personal) y mantener los costes bajo control a gran volumen.

Aproximadamente entre ocho y diez sprints de dos semanas en total, con tu carga concentrada en los primeros cuatro o cinco; la asignación puede fluctuar por encima de 0,5 FTE durante la Captura y la Conexión y estabilizarse después.

Etapa: proyecto activo, comienzo lo antes posible.

• Implementar la captura por defecto: un anotador en cada llamada con atribución de interlocutor, además de la ingesta desde correo, Slack y mensajería, diseñada como "opt-out" (exclusión voluntaria), no "opt-in" (inclusión voluntaria), y reversible si el cliente cambia de opinión.

• Rellenar el archivo histórico: años de correos electrónicos, Slack, actas de juntas, presentaciones y actualizaciones de cartera; todo analizado, deduplicado y fechado correctamente.

• Desarrollar el análisis de documentos (parsing) para los casos más complejos: PDFs, paquetes de juntas escaneados, hojas de cálculo, presentaciones de diapositivas, archivos adjuntos reenviados.

• Implementar la resolución de identidad / entidad: la misma persona a través de su usuario de Slack, alias de correo e invitación de calendario; la misma empresa de cartera a través de una presentación, un hilo de correo y un registro de CRM.

• Construir pipelines de fragmentación (chunking) y embedding y cargar los almacenes de vectores + grafos detrás de la ontología que defina el arquitecto.

• Implementar la sincronización incremental a través de la capa de conectores (clase MCP / Composio): sin re-rastreos completos, sin desviaciones silenciosas, con un manejo claro de ediciones y eliminaciones.

• Adjuntar el alcance de acceso y la procedencia a cada registro durante la ingesta, para que la recuperación consciente de permisos y la auditoría sean posibles en las etapas posteriores y no algo añadido a posteriori.

• Ejecutar la lógica de detección, redacción y retención de PII; demostrar a la función de seguridad del cliente qué se almacena, dónde y durante cuánto tiempo.

• Orquestar con Airflow / Step Functions; construir pipelines repetibles y monitorizados en lugar de scripts, con alertas cuando una fuente deja de fluir.

• Mantener el coste y la latencia bajo control a gran volumen (procesamiento por lotes, embedding incremental, jerarquización de almacenamiento) e informar de la economía unitaria.

• Escribir runbooks para que el propio equipo del cliente pueda operar esto tras la entrega.

Colaboración a tiempo parcial, de 20 a 30 horas semanales.