Destacados
Ingeniero de aprendizaje automático, ingeniero de sistemas de aprendizaje automático, ingeniero de aprendizaje automático aplicado, ingeniero de MLOps, ingeniero de inteligencia artificial, ingeniero de plataformas de aprendizaje automático, ingeniero de infraestructura de aprendizaje automático, ingeniero de aprendizaje automático en producción, ingeniero de software de aprendizaje automático, ingeniero de inteligencia artificial aplicada, ingeniero de operaciones de aprendizaje automático, ingeniero de implementación de aprendizaje automático
Cada vez que tu celular termina tu frase, tu app de streaming te sugiere el siguiente programa perfecto, tu banco bloquea una tarjeta robada en tiempo real o una app de fotos encuentra todas las fotos de tu perro sin que las busques, hay un modelo de aprendizaje automático trabajando detrás de escena. Alguien tuvo que sacar ese modelo de un cuaderno de investigación y convertirlo en un sistema que funcione a la perfección, para millones de personas, cada segundo de cada día. Esa persona es un ingeniero de aprendizaje automático.
Los ingenieros de aprendizaje automático desarrollan, implementan y mantienen los flujos de trabajo y los sistemas que permiten que los modelos de aprendizaje automático funcionen en el mundo real, y no solo en un entorno experimental. Toman un modelo que un científico de datos o un investigador ha entrenado en una computadora portátil y lo reconvierten en algo capaz de manejar cantidades masivas de tráfico en tiempo real, seguir funcionando cuando un servidor falla y reentrenarse automáticamente a medida que llegan nuevos datos. En el proceso, colaboran estrechamente con científicos de datos, ingenieros de software, gerentes de producto e ingenieros de datos para asegurarse de que el sistema cumpla con las necesidades reales de la empresa y sus usuarios.
Mediante el uso de herramientas como Python, PyTorch o TensorFlow, Docker, Kubernetes y plataformas en la nube como AWS, Azure o Google Cloud, los ingenieros de aprendizaje automático convierten prototipos frágiles en una infraestructura confiable. Crean flujos de trabajo automatizados que prueban e implementan nuevas versiones de modelos, paneles de control que detectan problemas antes de que los usuarios se den cuenta y sistemas que reentrenan los modelos a medida que el mundo cambia. Sin esta ingeniería detrás de escena, incluso el modelo más inteligente se quedaría estancado en un artículo de investigación en lugar de impulsar los productos en los que la gente confía todos los días.
- Ver cómo un modelo que tú mismo creaste pasa de ser una idea de investigación a convertirse en un sistema que utilizan millones de personas reales
- Resolver retos de ingeniería complejos relacionados con la velocidad, la confiabilidad y la escala que ningún libro de texto aborda en su totalidad
- Trabajar en la apasionante intersección entre la ingeniería de software, la ciencia de datos y el diseño de productos
- Ver cómo tu trabajo influye directamente en un indicador real, como detectar más casos de fraude u ofrecer mejores recomendaciones a los usuarios
Horario de trabajo
La mayoría de los ingenieros de aprendizaje automático trabajan a tiempo completo, por lo general unas 40 horas a la semana, aunque los lanzamientos, las interrupciones del servicio o los errores urgentes pueden alargar la jornada laboral o requerir estar de guardia. El trabajo suele consistir en una combinación de escribir código en un escritorio, revisar tableros y métricas, y reunirse con científicos de datos e ingenieros para planificar funciones o depurar problemas. La mayoría trabaja para empresas de tecnología, startups o las divisiones tecnológicas de empresas más grandes en los sectores financiero, minorista, de la salud y otros, aunque algunos trabajan como consultores o contratistas en proyectos específicos.
Funciones típicas
- Crear y mantener flujos de datos que alimenten los modelos durante el entrenamiento y en producción
- Entrenamiento, evaluación y ajuste de modelos de aprendizaje automático en función de una métrica empresarial objetivo
- Empaquetar modelos en contenedores e implementarlos en servidores o en la nube
- Desarrollar API y servicios que permitan a las aplicaciones y otros sistemas consultar un modelo en tiempo real
- Configuración de flujos de trabajo automatizados que prueban e implementan nuevas versiones de modelos de manera segura
- Monitoreo de modelos en tiempo real para detectar desviaciones en la precisión, tiempos de respuesta lentos y fallas inesperadas
- Reentrenar los modelos con datos nuevos para mantener la precisión de las predicciones a lo largo del tiempo
- Optimizar modelos para que se ejecuten más rápido y a menor costo mediante técnicas como la cuantificación y el procesamiento por lotes
- Colaborar con científicos de datos para convertir prototipos de investigación en sistemas listos para la producción
- Administración de la infraestructura en la nube, el almacenamiento y los recursos de computación, como las GPU
- Redacción de pruebas automatizadas, revisiones de código y documentación técnica
- Solución de problemas de producción cuando un modelo se comporta de manera inesperada
Responsabilidades adicionales
- Prever los costos de computación y encontrar formas de operar los sistemas de manera más eficiente
- Llevar un control de versiones de los conjuntos de datos y los modelos para que los resultados siempre se puedan reproducir
- Apoyo al cumplimiento de las normas de privacidad y seguridad de los datos en los sistemas que utilizan datos personales
- Orientar a los ingenieros y científicos de datos noveles sobre las mejores prácticas en entornos de producción
- Evaluar nuevas herramientas y marcos de trabajo a medida que evoluciona el campo
- Participar en turnos de guardia para responder a las interrupciones del sistema
- Comunicar con claridad las decisiones técnicas a las partes interesadas del producto y del negocio
El día de un ingeniero de aprendizaje automático suele comenzar con una revisión de los tableros de control de la noche anterior, para asegurarse de que los modelos sigan generando predicciones precisas y rápidas, y de que ningún proceso haya fallado mientras nadie estaba pendiente. Si algo parece estar mal, la primera hora puede convertirse en una sesión de depuración, en la que se rastrea el origen del problema a través de los registros, los procesos de datos y el código del modelo.
Por lo general, el mediodía lo dedico a desarrollar. Eso puede significar escribir código para reentrenar un modelo con datos nuevos, mejorar una API que proporciona predicciones a una aplicación o trabajar con un científico de datos para averiguar por qué un modelo prometedor rinde peor una vez que se enfrenta al tráfico real. Normalmente hay reuniones intercaladas, ya sea para coordinarme con los gerentes de producto sobre lo que el modelo debe hacer de manera diferente, o con los ingenieros de datos sobre un cambio en una fuente de datos previa.
Las tardes suelen dedicarse a las pruebas y los envíos. El ingeniero puede ejecutar una nueva versión del modelo a través de un proceso automatizado, observar cómo se implementa en un pequeño grupo de usuarios y comparar su desempeño con el de la versión anterior antes de lanzarla a una audiencia más amplia. Antes de terminar, documenta los cambios realizados, actualiza los tickets y verifica que el sistema de monitoreo esté funcionando correctamente para que los tableros de control de mañana detecten cualquier anomalía.
Habilidades interpersonales
- Pensamiento analítico y lógico
- Comunicación técnica clara, especialmente con compañeros de equipo sin formación técnica
- Paciencia al depurar sistemas con muchos componentes móviles
- Colaboración entre los equipos de ciencia de datos, ingeniería y producto
- Atención al detalle, ya que los pequeños errores pueden provocar grandes fallas a gran escala
- Gestión del tiempo en múltiples proyectos en curso
- Se siente cómodo con la ambigüedad y la resolución iterativa de problemas
- La capacidad de adaptación a medida que las herramientas, los modelos y las prioridades cambian rápidamente
- Responsabilidad y rendición de cuentas respecto a los sistemas una vez que están en funcionamiento
- Curiosidad por seguir aprendiendo nuevos marcos de trabajo y técnicas
- Toma de decisiones con calma durante incidentes de producción
- Disposición para dar y recibir comentarios directos en las revisiones de código
Habilidades técnicas
- Programación en Python para el procesamiento de datos, la modelación y la automatización
- Marcos de aprendizaje automático como PyTorch, TensorFlow o scikit-learn
- Herramientas de SQL y de canalización de datos para mover y transformar grandes conjuntos de datos
- Docker y Kubernetes para empaquetar y ejecutar aplicaciones de manera confiable
- Plataformas en la nube como AWS, Google Cloud o Microsoft Azure
- Herramientas de CI/CD para pruebas y implementación automatizadas
- Git y los flujos de trabajo de desarrollo colaborativo de software
- Herramientas de computación distribuida, como Spark, para el procesamiento de datos a gran escala
- Herramientas de monitoreo y seguimiento de experimentos como MLflow, Prometheus o Weights & Biases
- Diseño y mantenimiento de API REST y microservicios
- Ingeniero de aprendizaje automático de plataforma: Desarrolla la infraestructura y las herramientas compartidas que utilizan otros equipos para entrenar e implementar modelos
- Ingeniero de aprendizaje automático aplicado: se enfoca en desarrollar e implementar modelos para una característica específica del producto
- Ingeniero de MLOps: Se especializa en la automatización, el monitoreo y la confiabilidad de los sistemas de aprendizaje automático en producción
- Ingeniero de sistemas de recomendación: Desarrolla los modelos que sugieren contenido, productos o conexiones
- Ingeniero de aprendizaje automático especializado en fraude y riesgos: Desarrolla modelos en tiempo real que detectan actividades sospechosas o fraudulentas
- Ingeniero de búsqueda y posicionamiento: Desarrolla modelos que determinan qué resultados aparecen primero y por qué
- Ingeniero de aprendizaje automático en el borde y en sistemas integrados: optimiza modelos para que se ejecuten directamente en teléfonos, sensores o dispositivos
- Empresas tecnológicas y startups de software
- Empresas de comercio electrónico y minoristas
- Empresas de servicios financieros y de tecnología financiera
- Empresas del sector de la salud y la biotecnología
- Empresas de streaming, medios de comunicación y entretenimiento
- Redes sociales y plataformas de comunicación
- Proveedores de computación en la nube e infraestructura
- Empresas de vehículos autónomos y robótica
- Organismos gubernamentales y equipos de tecnología del sector público
- Empresas de servicios de consultoría y tecnología
- Empresas de manufactura y logística que utilizan análisis predictivo
- Laboratorios de investigación y divisiones de inteligencia artificial aplicada de grandes empresas
Se espera que los ingenieros de aprendizaje automático desarrollen sistemas que funcionen no solo una vez, sino siempre, en condiciones del mundo real que son más complejas que cualquier conjunto de datos de prueba. Cuando un modelo falla de manera silenciosa, puede significar una pérdida de ingresos, una decisión injusta o una experiencia de usuario deficiente, por lo que la presión para detectar los problemas a tiempo es constante. Estar de guardia para los sistemas de producción significa que las interrupciones no esperan al horario laboral, y un incidente grave puede significar pasar la noche o el fin de semana depurando el sistema.
El ritmo en este campo es intenso. Constantemente surgen nuevos marcos de trabajo, arquitecturas de modelos y mejores prácticas, y los ingenieros que dejan de aprender se quedan atrás rápidamente. Encontrar el equilibrio entre el entusiasmo por las nuevas técnicas y la disciplina necesaria para mantener los sistemas existentes estables y bien documentados es una tensión constante.
También existe una brecha entre la idea glamorosa de “desarrollar IA” y la realidad cotidiana de escribir flujos de trabajo, corregir datos erróneos y monitorear tableros de control. Gran parte del trabajo consiste en tareas de fondo poco glamorosas que hacen posible las partes emocionantes, y los ingenieros que se destacan en este ámbito encuentran una verdadera satisfacción en esa confiabilidad invisible.
- El crecimiento de LLMOps: la aplicación de la disciplina de MLOps a las aplicaciones de modelos de lenguaje a gran escala
- Un uso más generalizado de los almacenes de características para compartir y reutilizar características de datos entre equipos
- Adopción de bases de datos vectoriales para potenciar las funciones de IA basadas en la búsqueda y la recuperación
- Impulsar la inferencia en tiempo real y en streaming en lugar de las predicciones por lotes
- Expansión de la IA en el borde, con modelos que se ejecutan directamente en teléfonos y dispositivos
- Aumentar la automatización de los procesos de reentrenamiento para mantener los modelos actualizados sin necesidad de trabajo manual
- Mayor énfasis en la IA responsable, lo que incluye el monitoreo de sesgos y la equidad en la producción
- Aumenta el interés por la optimización de costos a medida que el servicio de modelos a gran escala se vuelve costoso
- El crecimiento de las plataformas de bajo código y de aprendizaje automático gestionado, que reducen las barreras para la implementación
- Expansión de equipos híbridos que combinan la ingeniería de software tradicional con conocimientos especializados en aprendizaje automático
Muchos ingenieros de aprendizaje automático crecieron disfrutando tanto de construir cosas como de descubrir por qué se descomponían. Les gustaba programar pequeños proyectos, modificar videojuegos o automatizar tareas repetitivas y molestas con un script en lugar de hacerlas a mano. Las clases de matemáticas e informática les gustaban no por las calificaciones, sino porque les encantaba ver cómo una idea se convertía en algo que realmente funcionaba.
A otros les atraían los acertijos, los juegos de estrategia y las competencias como las olimpiadas de matemáticas o los hackatones, donde la diversión residía tanto en la depuración y la iteración como en la respuesta final. El hábito de experimentar, ya fuera con un kit de robótica, un sitio web personal o un servidor doméstico, a menudo se traducía directamente en una carrera dedicada a desarrollar y mantener sistemas reales.
La mayoría de los ingenieros de aprendizaje automático cuentan con una licenciatura en informática, ingeniería de software, ciencia de datos o un campo estrechamente relacionado, y un número cada vez mayor cursa una maestría para acceder a puestos más avanzados. Lo que más importa a los empleadores es contar con una base sólida en ingeniería de software combinada con habilidades prácticas en aprendizaje automático, por lo que muchos ingenieros complementan su educación formal con cursos en línea, certificaciones y proyectos personales.
Los estudiantes pueden cursar materias relacionadas con temas como:
- Estructuras de datos y algoritmos
- Programación en Python
- Estadística y Probabilidad
- Álgebra lineal
- Bases de datos y SQL
- Aprendizaje automático
- Sistemas distribuidos
- Computación en la nube
- Prácticas de ingeniería de software
- Redes informáticas
En este campo, la experiencia práctica es tan importante como los estudios. Las prácticas, los proyectos personales implementados en la nube y las contribuciones a herramientas de aprendizaje automático de código abierto les dan a los estudiantes una prueba real de que pueden desarrollar sistemas que funcionan, no solo de que pueden aprobar exámenes. Muchos ingenieros también crean un portafolio en plataformas como GitHub y Kaggle para demostrar sus habilidades prácticas a futuros empleadores.
- Toma cursos de matemáticas hasta el nivel de cálculo y estadística, ya que son la base del aprendizaje automático
- Aprende a programar en Python a través de cursos en línea, clubes o proyectos independientes
- Únete a un club de programación, a un equipo de robótica o a una competencia de informática
- Crea pequeños proyectos personales y publica el código en GitHub
- Toma un curso gratuito en línea sobre aprendizaje automático para ver si este campo te interesa
- Participa en hackatones o en concursos de Kaggle para practicar cómo desarrollar y lanzar proyectos
- Aprende los conceptos básicos de la computación en la nube implementando un proyecto sencillo en una cuenta de nube con plan gratuito
- Estudia los fundamentos de la informática, como las estructuras de datos y los algoritmos
- Practica cómo escribir con claridad sobre proyectos técnicos para un currículum o un portafolio
- Busca pasantías o trabajos de medio tiempo relacionados con el desarrollo de software o el manejo de datos
- Habla con ingenieros en activo sobre cómo es realmente su trabajo diario
- Colabora en un proyecto de código abierto para practicar la colaboración en el mundo real
- Un plan de estudios sólido en ciencias de la computación, no solo teoría del aprendizaje automático
- Cursos que incluyen proyectos prácticos en los que se implementan sistemas reales y funcionales
- Acceso a recursos de computación en la nube y a hardware moderno de GPU para los trabajos de clase
- Docentes o instructores con experiencia en el sector de los sistemas de producción
- Apoyo para la búsqueda de pasantías en empresas tecnológicas
- Un proyecto de culminación en el que desarrollas y lanzas un sistema de principio a fin
- Cobertura de prácticas de ingeniería de software como las pruebas, el control de versiones y la revisión de código
- Oportunidades para trabajar con conjuntos de datos reales, en lugar de limitarse únicamente a ejemplos simplificados de los libros de texto
- Servicios de orientación profesional con fuertes vínculos con empresas del sector tecnológico
- Opciones flexibles para seguir aprendiendo a través de cursos en línea y certificaciones después de graduarse
- Una comunidad de compañeros que trabajan en proyectos similares, como un club de aprendizaje automático
- Un plan de estudios actualizado que se adapta a un campo en constante evolución
- Crea un portafolio de proyectos implementados, no solo de cuadernos que nunca salieron de tu computadora portátil
- Postúlate para puestos de nivel inicial, como ingeniero junior de aprendizaje automático, ingeniero de datos o ingeniero de software especializado en aprendizaje automático
- Colabora en proyectos de aprendizaje automático de código abierto para crear un historial público
- Participa en las competencias de Kaggle y documenta tu enfoque y tus resultados
- Practica explicar tus proyectos con claridad, incluyendo qué salió mal y cómo lo solucionaste
- Establece contactos con ingenieros y reclutadores en encuentros, conferencias y comunidades en línea
- Busca en portales de empleo y en las secciones de oportunidades laborales de las empresas, y configura alertas para puestos relevantes
- Considera la posibilidad de realizar prácticas o programas de formación dual, que a menudo se convierten en ofertas de empleo a tiempo completo
- Aprende a implementar un proyecto de principio a fin en una plataforma en la nube antes de tu primera entrevista
- Prepárate para entrevistas técnicas que abarcan programación, diseño de sistemas y conceptos básicos de aprendizaje automático
- Destaca cualquier experiencia que tengas con sistemas de producción, incluso si es de la escuela o de proyectos personales.
- Esté dispuesto a comenzar como ingeniero de datos o ingeniero de backend para adquirir experiencia relevante
- A medida que adquieras experiencia, ve asumiendo la responsabilidad de sistemas más grandes y críticos
- Aprende a diseñar sistemas desde cero, no solo a implementar el plan de otra persona
- Crea un historial de sistemas confiables y bien supervisados que rara vez fallan
- Orientar a los ingenieros más nuevos y revisar su código y sus diseños
- Desarrolla conocimientos especializados en un área específica, como MLOps, sistemas de recomendación o infraestructura
- Contribuir a las decisiones de arquitectura y a la estrategia técnica entre equipos
- Toma cursos avanzados, obtén certificaciones o cursa una maestría si eso se ajusta a tus metas
- Ascender a puestos de ingeniero sénior, ingeniero de plantilla o de dirección de ingeniería
Sitios web:
- Artículos con código - paperswithcode.com
- Hugging Face - huggingface.co
- Kaggle - kaggle.com
- Documentación de MLflow - mlflow.org
- Creado con ML - madewithml.com
- Aprendizaje profundo full stack - fullstackdeeplearning.com
- DeepLearning.AI - deeplearning.ai
- Hacia la ciencia de datos - towardsdatascience.com
- NeurIPS - neurips.cc
- Blog de IA de Google - ai.googleblog.com
- GitHub - github.com
- Blog de Chip Huyen - huyenchip.com
Libros:
- Diseño de sistemas de aprendizaje automático, por Chip Huyen
- Ingeniería de aprendizaje automático, por Andriy Burkov
- Creación de aplicaciones basadas en el aprendizaje automático, por Emmanuel Ameisen
- «Aprendizaje automático confiable», de Cathy Chen, Niall Richard Murphy, Kranti Parisa, D. Sculley y Todd Underwood
- Aprendizaje profundo, de Ian Goodfellow, Yoshua Bengio y Aaron Courville
Si descubres que la carrera de ingeniero en aprendizaje automático no es lo que más te conviene, tus habilidades en programación, pensamiento sistémico y manejo de datos se pueden aplicar fácilmente a muchas profesiones relacionadas.
- Ingeniero de datos
- Ingeniero de software
- Científico de datos
- Ingeniero de DevOps
- Analista de datos
- Ingeniero de backend
- Arquitecto de soluciones en la nube
- Ingeniero de control de calidad y automatización de pruebas
- Analista de inteligencia de negocios
Haz clic aquí para descargar la infografía
Noticias
Empleos destacados
Cursos y herramientas en línea