Qué hace fuerte a un currículum de ingeniero de machine learning

La ingeniería de machine learning se sitúa en la intersección de la investigación de ML y la ingeniería de software. Los gerentes de contratación quieren ver que puedes llevar un modelo desde un prototipo de investigación hasta un sistema en producción — y mantenerlo funcionando de manera confiable a escala.

Tres cosas diferencian los currículums de ingenieros de ML: experiencia en despliegue en producción (no solo notebooks), habilidades de diseño de sistemas (latencia, rendimiento, optimización de costos) y madurez en MLOps (reentrenamiento automatizado, monitoreo, feature stores).

Para roles senior, los gerentes de contratación buscan propiedad de sistemas ML de punta a punta: pipelines de datos, ingeniería de features, entrenamiento de modelos, infraestructura de serving y monitoreo. Para roles de nivel medio, fundamentos sólidos en una o dos de estas áreas combinados con habilidades fuertes de ingeniería de software.

La señal de alerta más grande en un currículum es todo investigación y nada de producción. Si tus modelos solo corrieron en Jupyter notebooks, eso es un currículum de científico de datos, no de ingeniero de ML.

Habilidades esenciales y palabras clave

Habilidades técnicas: PyTorch, TensorFlow, JAX, Hugging Face, scikit-learn, XGBoost, MLflow, Kubeflow, SageMaker, Vertex AI, feature stores, ONNX, TensorRT, Spark, Ray, entrenamiento distribuido, model serving, FAISS, Python, C++, SQL, Docker, Kubernetes, A/B testing

Habilidades blandas: Pensamiento de diseño de sistemas, colaboración interfuncional (con científicos de datos y producto), documentación técnica, mentoría, depuración de problemas en producción, comunicación de compensaciones de modelos

Herramientas: MLflow, Kubeflow, SageMaker, Vertex AI, Weights & Biases, TensorBoard, ONNX Runtime, TensorRT, Ray, Airflow

Cómo redactar cada sección de tu currículum

Resumen profesional

Comienza con nivel de experiencia, dominio principal de ML (sistemas de recomendación, NLP, visión por computadora) y una métrica de escala en producción.

Ejemplo: "Ingeniero de ML con 5 años de experiencia desplegando sistemas de ML a escala. Diseñé un motor de recomendación que sirve más de 25M de predicciones diarias con latencia p99 inferior a 50ms."

Experiencia laboral

Los puntos de ingeniero de ML deben conectar mejoras de modelos con métricas de producción. Incluye ganancias de rendimiento de modelos, latencia de inferencia, eficiencia de entrenamiento e impacto de negocio.

Débil: "Entrené modelos de machine learning."

Fuerte: "Mejoré el engagement del feed principal en un 14% mediante un modelo de ranking basado en transformers, sirviendo más de 25M de predicciones diarias con latencia p99 inferior a 50ms."

Habilidades y educación

Organiza las habilidades en Frameworks de ML, MLOps/Infraestructura, Datos/Cómputo y Lenguajes. Esta estructura muestra que entiendes tanto el lado de ML como el de ingeniería del rol. Una maestría o doctorado en CS/ML es común para roles de ingeniero de ML en empresas top. Los candidatos fuertes de bootcamps o programas de licenciatura pueden competir con excelente experiencia en producción. Incluye publicaciones de investigación si aplica.

6 consejos para profesionales ingenieros de machine learning

1. Muestra producción, no solo entrenamiento. La precisión del modelo sola no importa — incluye latencia de serving, rendimiento, disponibilidad y el número de usuarios/solicitudes que manejan tus modelos.

1. Incluye experiencia en MLOps. Reentrenamiento automatizado, monitoreo de modelos, feature stores y pipelines de despliegue son lo que separa a los ingenieros de ML de los científicos de datos. Destaca este trabajo de infraestructura.

1. Cuantifica mejoras de eficiencia. Las reducciones de tiempo de entrenamiento, la optimización de latencia de inferencia y los ahorros de costos por compresión o cuantización de modelos son métricas altamente valoradas.

1. Menciona arquitecturas de modelos específicas. "Modelo de ranking basado en transformers" es más informativo que "modelo de deep learning". Especifica la arquitectura cuando sea relevante.

1. Incluye entrenamiento GPU/distribuido. Si has entrenado modelos en configuraciones multi-GPU o clústeres distribuidos, menciona la escala: "64 GPUs" o "clúster Spark de 1,000 nodos."

1. Enlaza publicaciones o posts técnicos. Si has publicado papers, escrito posts de blog de ingeniería o dado charlas en conferencias sobre tu trabajo de ML, incluye enlaces.

Errores que cuestan entrevistas

1. Solo notebooks, sin producción: Si tu currículum solo describe entrenamiento de modelos sin despliegue, serving o monitoreo, estás presentando un perfil de científico de datos, no de ingeniero de ML.
2. Listar cada algoritmo que conoces: "Regresión Lineal, Regresión Logística, SVM, Árboles de Decisión, Random Forest, XGBoost, Redes Neuronales" es un índice de libro de texto, no una sección de habilidades. Enfócate en lo que has desplegado.
3. Sin métricas de latencia o rendimiento: La ingeniería de ML es ingeniería de software. Si no puedes describir las características de rendimiento de tus sistemas, es una brecha.
4. Ignorar la infraestructura de datos: La ingeniería de features, los pipelines de datos y los feature stores son trabajo central de ingeniería de ML. No te enfoques exclusivamente en el modelo.
5. Sin mención de monitoreo: Los modelos se degradan con el tiempo. Si has implementado monitoreo de modelos, detección de drift o reentrenamiento automatizado, inclúyelo.

Preguntas comunes sobre currículums de ingeniero de machine learning

¿Necesito un doctorado para ingeniería de ML?

No. Una maestría en CS/ML es la credencial más común. Los poseedores de doctorados son preferidos para roles con mucha investigación, pero muchas posiciones de ingeniero de ML priorizan las habilidades de ingeniería en producción sobre las credenciales académicas.

¿Cuál es la diferencia entre un ingeniero de ML y un científico de datos?

Los ingenieros de ML se enfocan en construir sistemas de ML en producción: infraestructura de serving, pipelines de entrenamiento, feature stores y optimización de modelos. Los científicos de datos se enfocan en análisis, experimentación y desarrollo de modelos. Los ingenieros de ML están más cerca de los ingenieros de software; los científicos de datos están más cerca de los analistas.

¿Debo incluir experiencia en Kaggle?

Solo si demuestra habilidades de ingeniería relevantes. Una competencia de Kaggle donde construiste un pipeline de grado producción es más valiosa que una donde ajustaste hiperparámetros en un notebook.

¿Qué tan importante es C++ para ingeniería de ML?

C++ importa para roles enfocados en optimización de inferencia de modelos, ML embebido o desarrollo de frameworks. Para la mayoría de los roles de plataforma de ML, el dominio de Python más la comprensión de optimización a nivel de sistema es suficiente.

¿Cuál es el rango salarial para ingenieros de ML?

Los ingenieros de ML en EE.UU. típicamente ganan $150K–$250K de base en nivel medio, con roles senior y staff en empresas top (Google, Meta, Netflix) alcanzando $300K–$500K+ en compensación total. La ubicación, el nivel de la empresa y la especialización (por ejemplo, LLMs, sistemas de recomendación) afectan significativamente la compensación.