Ingeniero de aprendizaje automático

Horario de trabajo

La mayoría de los ingenieros de aprendizaje automático trabajan a tiempo completo, normalmente unas 40 horas a la semana, aunque los lanzamientos, las interrupciones del servicio o los errores urgentes pueden alargar la jornada o requerir estar de guardia. El trabajo suele consistir en una combinación de escribir código en el escritorio, revisar paneles de control y métricas, y reunirse con científicos de datos e ingenieros para planificar funcionalidades o solucionar problemas. La mayoría trabaja para empresas tecnológicas, startups o las divisiones tecnológicas de grandes empresas de los sectores financiero, minorista, sanitario 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
• Creación de API y servicios que permiten 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 forma segura
• Supervisión de modelos en tiempo real para detectar desviaciones en la precisión, tiempos de respuesta lentos y fallos inesperados
• Reentrenar los modelos con datos nuevos para que las predicciones sigan siendo precisas con el paso del tiempo
• Optimizar los modelos para que funcionen más rápido y resulten más económicos mediante técnicas como la cuantificación y el procesamiento por lotes
• Colaborar con científicos de datos para convertir los prototipos de investigación en sistemas listos para su implementación
• Gestión de la infraestructura en la nube, el almacenamiento y los recursos informáticos, como las GPU
• Redacción de pruebas automatizadas, revisiones de código y documentación técnica
• Resolución de problemas de producción cuando un modelo se comporta de forma inesperada

Responsabilidades adicionales

• Prever los costes informáticos y encontrar formas de gestionar los sistemas de manera más eficiente
• Gestión de versiones de conjuntos de datos y modelos para que los resultados siempre puedan reproducirse
• 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 sector
• Participar en turnos de guardia para hacer frente a las interrupciones del sistema
• Comunicar con claridad las compensaciones técnicas a las partes interesadas del producto y del negocio

El día a día de un ingeniero de aprendizaje automático suele empezar revisando los paneles de control de la noche anterior, para asegurarse de que los modelos siguen ofreciendo predicciones precisas y rápidas, y de que ningún proceso ha fallado mientras nadie estaba pendiente. Si algo parece fuera de lo normal, la primera hora puede convertirse en una sesión de depuración, en la que hay que rastrear el origen del problema a través de los registros, los procesos de datos y el código del modelo.

Normalmente, la hora del mediodía la dedico a desarrollar. Eso puede significar escribir código para reentrenar un modelo con nuevos datos, 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 cuando se enfrenta al tráfico real. Suele haber reuniones intercaladas, en las que me coordino con los jefes de producto sobre lo que el modelo debe hacer de forma diferente, o con los ingenieros de datos sobre un cambio en una fuente de datos previa.

Las tardes suelen dedicarse a las pruebas y a 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 rendimiento con el de la versión anterior antes de lanzarla de forma más generalizada. Antes de dar por terminada la jornada, documenta los cambios realizados, actualiza los tickets y comprueba que el sistema de monitorización funciona correctamente, de modo que los paneles de control de mañana detecten cualquier anomalía.

Habilidades sociales

• Pensamiento analítico y lógico
• Comunicación técnica clara, especialmente con compañeros de equipo sin formación técnica
• Paciencia a la hora de depurar sistemas con muchos componentes en movimiento
• Colaboración entre los equipos de ciencia de datos, ingeniería y producto
• Atención al detalle, ya que los pequeños errores pueden provocar grandes fallos a gran escala
• Gestión del tiempo en varios proyectos en curso
• Capacidad para lidiar con la ambigüedad y resolver problemas de forma iterativa
• Capacidad de adaptación ante los rápidos cambios en las herramientas, los modelos y las prioridades
• 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 serenidad ante incidencias durante la producción
• Disposición a dar y recibir comentarios directos en las revisiones de código

Habilidades técnicas

• Programación en Python para el procesamiento de datos, la modelización y la automatización
• Marcos de aprendizaje automático como PyTorch, TensorFlow o scikit-learn
• Herramientas de SQL y de canalización de datos para trasladar y transformar grandes conjuntos de datos
• Docker y Kubernetes para empaquetar y ejecutar aplicaciones de forma fiable
• Plataformas en la nube como AWS, Google Cloud o Microsoft Azure
• Herramientas de CI/CD para pruebas y despliegues automatizados
• 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 monitorización y seguimiento de experimentos como MLflow, Prometheus o Weights & Biases
• Diseño y mantenimiento de API REST y microservicios

• Ingeniero de aprendizaje automático de plataforma: se encarga de desarrollar la infraestructura y las herramientas compartidas que utilizan otros equipos para entrenar e implementar modelos
• Ingeniero de aprendizaje automático aplicado: se centra en desarrollar y poner en producción modelos para una funcionalidad específica del producto
• Ingeniero de MLOps: especializado en automatización, supervisión y fiabilidad de los sistemas de aprendizaje automático en producción
• Ingeniero de sistemas de recomendación: se encarga de desarrollar los modelos que sugieren contenidos, 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: crea modelos que determinan qué resultados aparecen en primer lugar y por qué
• Ingeniero de aprendizaje automático en el borde y en sistemas embebidos: optimiza modelos para que se ejecuten directamente en teléfonos, sensores u otros dispositivos

• Empresas tecnológicas y startups de software
• Empresas de comercio electrónico y minoristas
• Empresas de servicios financieros y de tecnología financiera
• Empresas del sector sanitario y de la biotecnología
• Empresas de streaming, medios de comunicación y entretenimiento
• Redes sociales y plataformas de comunicación
• Proveedores de servicios de computación en la nube y de infraestructura
• Empresas de vehículos autónomos y robótica
• Organismos gubernamentales y equipos tecnológicos del sector público
• Empresas de consultoría y servicios tecnológicos
• Empresas del sector de la fabricación y la logística que utilizan el análisis predictivo
• Laboratorios de investigación y departamentos de IA aplicada de grandes empresas

Se espera que los ingenieros de aprendizaje automático desarrollen sistemas que funcionen no solo una vez, sino siempre, en condiciones reales que son mucho más complejas que cualquier conjunto de datos de prueba. Cuando un modelo falla de forma silenciosa, puede suponer 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 del servicio no esperan al horario laboral, y un incidente grave puede suponer pasar la noche en vela o un fin de semana depurando el sistema.

El ritmo en este ámbito es trepidante. Constantemente surgen nuevos marcos de trabajo, arquitecturas de modelos y buenas prácticas, y los ingenieros que dejan de formarse se quedan rápidamente rezagados. Encontrar el equilibrio entre el entusiasmo por las nuevas técnicas y la disciplina necesaria para mantener los sistemas existentes estables y bien documentados supone una tensión constante.

También existe una brecha entre la idea glamurosa de «desarrollar IA» y la realidad cotidiana de programar flujos de trabajo, corregir datos erróneos y supervisar paneles de control. Gran parte del trabajo consiste en tareas de fondo poco glamurosas que hacen posible que existan las partes emocionantes, y los ingenieros que destacan en este ámbito encuentran una verdadera satisfacción en esa fiabilidad 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
• Apostar por la inferencia en tiempo real y en streaming en lugar de las predicciones por lotes
• Expansión de la IA en el borde, con la ejecución de modelos directamente en teléfonos y dispositivos
• Aumentar la automatización de los procesos de reentrenamiento para mantener los modelos actualizados sin necesidad de intervención manual
• Mayor atención a la IA responsable, incluida la supervisión de los sesgos y la equidad en la producción
• Aumenta el interés por la optimización de costes, ya que la ejecución de modelos a gran escala resulta costosa
• El auge de las plataformas «low-code» y de aprendizaje automático gestionado, que reducen las barreras de implementación
• Ampliación 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 averiguar por qué se estropeaban. Les gustaba programar pequeños proyectos, modificar videojuegos o automatizar tareas repetitivas y pesadas con un script en lugar de hacerlas a mano. Las clases de matemáticas e informática les resultaban interesantes no por las notas, sino porque les gustaba ver cómo una idea se convertía en algo que realmente funcionaba.

A otros les atraían los rompecabezas, los juegos de estrategia y las competiciones como las olimpiadas matemáticas o los hackatones, donde la diversión residía tanto en la depuración y la iteración como en la respuesta final. La costumbre de trastear, ya fuera con un kit de robótica, una página web personal o un servidor doméstico, solía traducirse directamente en una carrera profesional dedicada a crear y mantener sistemas reales.