NLP Engineer
- Diseñar, desarrollar y optimizar modelos de procesamiento de lenguaje natural (NLP).
- Entrenar, ajustar y evaluar modelos de Machine Learning y Large Language Models (LLMs).
- Procesar, limpiar y preparar grandes volúmenes de datos textuales estructurados y no estructurados.
- Implementar modelos en ambientes productivos garantizando escalabilidad y rendimiento.
- Desarrollar pipelines de procesamiento de datos para entrenamiento y evaluación de modelos.
- Integrar soluciones de IA con aplicaciones, plataformas y servicios existentes.
- Monitorear desempeño, precisión y comportamiento de modelos desplegados.
- Aplicar principios de IA Responsable, ética y gobernanza de modelos.
- Documentar desarrollos, metodologías y resultados técnicos.
- Colaborar con equipos de datos, desarrollo, arquitectura y negocio para identificar oportunidades de aplicación de IA.
Formación académica
Profesional titulado en:
- Ingeniería de Sistemas
- Ingeniería Informática
- Ingeniería Electrónica
- Ciencia de Datos
- Matemáticas
- Estadística
- Ciencias de la Computación
- Carreras afines
Experiencia requerida
- Mínimo 3 años de experiencia en diseño, entrenamiento e implementación de modelos de lenguaje natural.
- Experiencia trabajando con procesamiento de datos textuales y modelos de Machine Learning.
- Experiencia implementando modelos en ambientes productivos.
- Experiencia participando en proyectos de inteligencia artificial aplicada.
Conocimientos técnicos requeridos
- Inteligencia Artificial y Machine Learning
- Procesamiento de Lenguaje Natural (NLP). Machine Learning. Deep Learning. Large Language Models (LLMs). Fine-Tuning y optimización de modelos.
- Lenguajes y herramientas: Python avanzado. SQL. Jupyter Notebook. Git / GitHub.
- Frameworks y librerías: Transformers. Hugging Face. spaCy. NLTK. LangChain. Scikit-learn. TensorFlow o PyTorch.
- Datos y MLOps: Preparación y transformación de datos textuales. Evaluación y monitoreo de modelos. Despliegue de modelos en producción. MLOps y ciclo de vida de modelos de IA.
- IA Responsable: Principios de IA ética y responsable. Evaluación de sesgos. Gobernanza de modelos. Seguridad y privacidad de datos.
Competencias clave
- Pensamiento analítico.
- Resolución de problemas complejos.
- Curiosidad tecnológica y aprendizaje continuo.
- Comunicación efectiva.
- Trabajo colaborativo.
- Orientación a resultados.
- Innovación y mejora continua.
- Capacidad de investigación aplicada.
- Participación en proyectos innovadores de Inteligencia Artificial y Analítica Avanzada.
- Trabajo con tecnologías de última generación y modelos de IA de vanguardia.
- Ambiente colaborativo y multidisciplinario.
- Desarrollo profesional continuo.
- Participación en iniciativas de transformación digital de alto impacto.
- Cultura organizacional basada en innovación, aprendizaje y excelencia técnica.