Senior AI/ML Engineer

Descripción del puesto

Sobre la vacante

Se busca un Senior AI/ML Engineer para unirse a un equipo enfocado en inteligencia artificial en 2026. El rol implica diseñar, desplegar y optimizar inferencia de LLMs auto-hospedados en AWS, con énfasis en arquitectura escalable, cuantización, latencia, throughput y eficiencia de costos usando motores como vLLM, TGI y llama.cpp. Requisitos: 5+ años de experiencia en sistemas de ML y Software/DevOps, dominio de Python, Docker y AWS, y experiencia sólida desplegando LLMs en producción. Nivel de inglés C1. Modalidad 100% remota para LATAM. Envío de CV por DM.

¿Por qué deberías aplicar?

Esta vacante te coloca en la vanguardia del desarrollo de LLMs en producción, trabajando en proyectos de alto impacto que combinan IA generativa y optimización de sistemas. Es una oportunidad para profundizar en arquitecturas escalables de inferencia y tecnologías de punta como vLLM y TGI, ideal si buscas crecer en un entorno dinámico y remoto con enfoque en eficiencia y performance.

Tips y consejos de VacantesDigitales.com

Skills indispensables

• Técnicas: Experiencia en sistemas de ML, Python avanzado, Docker, AWS (servicios de cómputo y almacenamiento), despliegue de LLMs en producción, conocimiento de motores de inferencia (vLLM, TGI, llama.cpp) y optimización (cuantización, latencia).
• Soft skills: Pensamiento analítico, resolución de problemas complejos, comunicación efectiva en inglés y capacidad para trabajar en equipo remoto.

Tips prácticos para este puesto

• Prepara ejemplos concretos: Ten listos casos de despliegue de LLMs en producción, métricas de latencia y throughput logradas, y cómo manejaste cuantización o optimización de costos.
• Domina AWS: Refuerza conocimientos en EC2, S3, Lambda y servicios de ML de AWS, ya que son clave para la infraestructura auto-hospedada.
• Practica inglés técnico: Asegúrate de poder discutir conceptos de IA y DevOps fluidamente, ya que el nivel C1 es requerido.

Recursos recomendados

• Tools: vLLM documentation, Text Generation Inference (TGI) de Hugging Face, llama.cpp repo, AWS ML services.
• Documentación: Hugging Face Transformers, PyTorch tutorials, AWS whitepapers on scalable architectures.
• Influencers/Cursos: Andrew Ng (ML especialization), fast.ai courses, AWS training on AI/ML, blogs de Hugging Face y OpenAI.

Preguntas frecuentes en entrevistas para este rol

• Pregunta 1: "Describe un proyecto donde desplegaste un LLM en producción y cómo optimizaste la latencia." Tip: Enfócate en métricas específicas, herramientas usadas (ej: vLLM) y resultados cuantificables.
• Pregunta 2: "¿Cómo manejas la cuantización de modelos para balancear performance y costos?" Tip: Explica técnicas como pruning o quantization-aware training, y menciona herramientas como llama.cpp.
• Pregunta 3: "Háblame de una vez que resolviste un problema de escalabilidad en un sistema de ML." Tip: Usa el método STAR (Situación, Tarea, Acción, Resultado) y destaca colaboración con equipos de DevOps.

Rango salarial estimado (LATAM)

Basado en datos de Glassdoor, Computrabajo, GetOnBoard y el mercado actual: | Nivel | Rango mensual USD | |-------|-------------------| | Junior | $2,500 - $4,000 | | Mid | $4,000 - $6,500 | | Senior | $6,500 - $10,000 |

*Nota: Varía según país, empresa, modalidad (remoto internacional paga más) y tecnologías específicas. Empresas de USA/EU pagando en LATAM suelen ofrecer 30-50% más.*

Red flags a considerar

• Bandera roja 1: Si la empresa no proporciona detalles sobre infraestructura AWS o soporte para herramientas como vLLM. Pregunta en la entrevista: "¿Cómo está configurada actualmente la infraestructura de inferencia y qué recursos hay para optimización?"
• Bandera roja 2: Falta de claridad en los objetivos de performance (ej: latencia objetivo). Investiga antes de aceptar: Revisa si hay métricas definidas y roadmap técnico para el despliegue de LLMs.
• Bandera roja 3: Expectativas poco realistas sobre escalabilidad sin recursos adecuados. Señal de advertencia común: Discursos vagos sobre "crecimiento rápido" sin mencionar inversión en hardware o equipo de soporte.