Ingeniero de ML: mercado

Vacante

un empleo abierto que superó el filtro de calidad y menciona al menos dos tecnologías

Candidato observado

un candidato cuyo stack contiene esta tecnología; es un agregado: ni un solo registro sale del perímetro

Candidato emparejable

aún no contabilizado

Ventana

empleos abiertos en el momento en que se generó el snapshot

Junior ML Engineer es raro (el mercado empieza desde Data Analyst o Backend → ML). El salto de Junior a Middle: tras dominar el primer pipeline de ML en producción de extremo a extremo (feature engineering → entrenamiento → despliegue → monitorización). De Middle a Senior: responsabilidad sobre varios pipelines + experiencia con LLM/RAG + escalado del entrenamiento distribuido + optimización de costes. De Senior a Staff/Principal: arquitectura de la plataforma de ML, estrategia de ML para varios equipos. Trayectoria: Data Analyst (1-2 años) → Junior ML Engineer (1-2 años) → Middle (2-3 años) → Senior → luego Staff ML Engineer (técnico en profundidad), ML Tech Lead (gestión), paso a Research (vía doctorado) o ML Founder/CTO en una startup.

Principales 5: python, cloud, pytorch, llm, aws. Python es el monopolio (R apenas se ve en ML de producción 2026). Frameworks de Deep Learning: PyTorch domina 2026 (70%+ de producción), TensorFlow legacy + aún grande en enterprise, JAX para casos límite de research. ML clásico: scikit-learn + XGBoost + LightGBM + CatBoost, base, obligatorio para datos tabulares. Manipulación de datos: pandas + NumPy + Polars (moderno, en auge 2026, 10-100× más rápido), PyArrow para datos entre frameworks. Computer Vision: OpenCV, torchvision, Detectron2, MMDetection, Ultralytics YOLO. Experiment tracking: MLflow (estándar open-source) o Weights & Biases (UI premium) o Neptune. Control de versiones de datos: DVC. Orquestación: Airflow + Prefect + Dagster (uno a fondo). Deployment: dominio de Docker + Kubernetes, FastAPI + Triton Inference Server + BentoML + TorchServe (uno a fondo). Inferencia entre frameworks: ONNX. Feature stores: Feast (open-source) o Tecton (gestionado). Cómputo distribuido: Spark + Ray + Dask. ML gestionado en cloud: AWS SageMaker / GCP Vertex AI / Azure ML (uno a fondo). Extras de Senior: cuantización (cuantización de PyTorch, bitsandbytes), destilación, fine-tuning LoRA/QLoRA, vLLM/TGI/SGLang para serving de LLM, Optuna para tuning de hiperparámetros.

Data Scientist: enfoque en el planteamiento de problemas de negocio + modelado estadístico + pruebas A/B + comunicación de insights. Stack: pandas + sklearn + Jupyter + SQL + Tableau/Looker. Menos carga de infraestructura. Ver Data Scientist. ML Engineer (esta página): enfoque en pipelines de ML en producción + despliegue + escalado. Stack como el de DS + Docker/K8s + MLflow + Airflow + ML gestionado en la nube. Research Engineer / Scientist: enfoque en nuevos modelos, papers, arquitecturas novedosas. A menudo vía PhD. Stack: PyTorch en profundidad + JAX + infraestructura orientada a experimentos. Ver Research Engineer / Scientist. MLOps Engineer: enfoque en la infraestructura de la plataforma de ML (feature stores, registro de modelos, monitorización, observabilidad, optimización de costes). Stack: K8s + Terraform + MLflow/Kubeflow + Prometheus/Grafana + cloud. Ver MLOps Engineer. Cambio ML Engineer ↔ DS: 1-3 meses. ML Engineer ↔ MLOps: 2-4 meses (si ya hay base de K8s). La vía de investigación requiere un PhD o 3+ años de especialización profunda.

Reference stack for production ML 2026: 1) Data ingestion — Airflow/Prefect/Dagster pulls raw data from source systems (DB/Kafka/S3). 2) Feature engineering — Spark/Pandas/Polars transforms → Feature Store (Feast or Tecton — centralised storage, point-in-time correctness, online+offline serving). 3) Experimentation — Jupyter + W&B/MLflow tracking + DVC for data version control + Optuna for hyperparameter search. 4) Training — Ray Train or PyTorch Lightning + distributed (multi-GPU/multi-node), checkpointing in S3/GCS, quantization (INT8/FP16) for inference cost. 5) Model registry — MLflow Model Registry or SageMaker Model Registry (versioning + stages: staging/production/archived). 6) Validation — automated tests (data drift, prediction quality), shadow deployment, A/B test setup. 7) Serving — Triton Inference Server (NVIDIA, multi-framework + dynamic batching) or BentoML or TorchServe or vLLM (for LLM). FastAPI wrapper for API contract. 8) Deployment — Kubernetes (production standard) + Helm + ArgoCD for GitOps. 9) Monitoring — Prometheus + Grafana (latency/throughput/error rate) + custom drift detection (Evidently AI/WhyLabs) + cost dashboards. 10) Feedback loop — log predictions + ground truth → retraining trigger. ML platform for the whole organisation — Kubeflow or Metaflow or SageMaker Pipelines. LLM-specific stack: vLLM/TGI/SGLang for serving + prompt engineering (LangChain/LlamaIndex) + RAG (vector DBs Pinecone/Weaviate/Qdrant) + fine-tuning via LoRA/QLoRA + evaluation (RAGAS, DeepEval, custom benchmarks).

Sí, el 30% de los empleos de ML Engineer son full-remote o híbridos. El ML de producción es trabajo cloud (entrenamiento en GPUs cloud, serving en Kubernetes, datos en el warehouse). Outsourcers (EPAM AI Practice / Luxoft AI) — casi siempre remotos en proyectos de IA de EE. UU. Las empresas de producto rusas — híbrido o remoto tras el periodo de prueba, con excepciones para el ML sensible a la seguridad (Sber AI banking). Los bancos (Sber AI / VTB) — híbrido/oficina por el compliance. Las empresas de IA internacionales — full-remote estándar, bandas premium. Hubs de relocación: Polonia (Varsovia/Cracovia — AI-friendly), Alemania (clúster de IA de Berlín), Canadá (Toronto — Vector Institute), Israel (clúster de IA de Tel Aviv), Serbia, Georgia, EAU (Dubái — AI tax-friendly). Inglés para el remoto internacional de IA — obligatorio (prima +30-50%).

ML Engineer (general): puede trabajar en cualquier dominio de ML (recsys, NLP, CV, detección de fraude, ranking). El stack es universal. Applied ML Engineer: enfoque en una tarea de ML de producto concreta + responsabilidad sobre métricas de negocio (CTR, conversión, aumento de ingresos). El stack es el mismo, pero añade pensamiento de producto + dominio de las pruebas A/B + comunicación con stakeholders. Retribución comparable (mediana), pero en empresas de producto el Applied ML suele ganar algo más a nivel Senior por la responsabilidad sobre el impacto en el negocio. ML Platform Engineer (un subnicho aparte, más cercano a MLOps): construye infraestructura para otros ML Engineers (Feature Store, infraestructura de MLflow, plataforma de entrenamiento). Elección de carrera: ML Engineer si lo que más importa es la universalidad y la portabilidad, Applied ML Engineer si te interesa el impacto en el producto, ML Platform Engineer si te interesan la infraestructura y las herramientas. Las tres son vías legítimas para Senior+, ninguna es mejor ni peor.

Hoja de ruta: 1) Python a fondo hasta nivel Backend Middle (código limpio, patrones de diseño, async). Libros: "Fluent Python" de Ramalho, "Effective Python" de Slatkin. 2) Matemáticas: álgebra lineal + cálculo + probabilidad/estadística a nivel de «entender qué hay bajo el capó del backprop». MIT 18.06 Linear Algebra (Strang), "Essence of Linear Algebra" de 3Blue1Brown. 3) ML clásico: dominio de scikit-learn + XGBoost + LightGBM. "Machine Learning Specialization" de Andrew Ng (Coursera). Libro "Hands-On Machine Learning" de Géron (lectura obligada en 2026). 4) Deep Learning: PyTorch a fondo (forward/backward/optimizadores/bucles de entrenamiento desde cero). "Deep Learning Specialization" de Andrew Ng. "Deep Learning with PyTorch" de Stevens. 5) Vía NLP/LLM: curso de Hugging Face (gratis) → fine-tuning de LLM pequeños (Mistral 7B/Llama 3 8B) con LoRA/QLoRA → construye una aplicación RAG con LangChain + Qdrant. 6) Vía de Computer Vision (alternativa): torchvision + Detectron2 + Ultralytics YOLO + entrenamiento con un dataset propio. 7) Nociones de MLOps: MLflow + DVC + Airflow + Docker + Kubernetes para servir ML. "Designing Machine Learning Systems" de Chip Huyen: lectura obligada para ML en producción. 8) ML en la nube: uno de AWS SageMaker / GCP Vertex AI / Azure ML: sigue un tutorial e2e. 9) Entrenamiento distribuido: Ray Train + PyTorch DDP. 10) Proyecto personal: un sistema de ML e2e completo (pipeline de datos + feature store + entrenamiento + seguimiento con MLflow + despliegue en Kubernetes + monitorización) sobre un dataset abierto (Kaggle). Internacional (EN): fast.ai "Practical Deep Learning", Hugging Face NLP Course, DeepLearning.AI (Andrew Ng). Libros clásicos: "Pattern Recognition and Machine Learning" de Bishop, "The Hundred-Page Machine Learning Book" de Burkov. Conferencias: NeurIPS, ICML, ICLR (sus papers son lectura obligada para un Senior). De Data Analyst o Backend Middle a ML Engineer Junior: 8-14 meses.

2082 active open ML Engineer positions — the largest ML/AI segment. Geography: the US, the UK, Poland. Sources: hh.ru, Habr Career, getmatch, Djinni, LinkedIn (huge international AI segment), NoFluffJobs/JustJoin.it (Poland — AI-friendly), Telegram, career pages of EPAM AI / Luxoft AI / Andersen AI, specialised boards (aijobs.net, ai-jobs.net, builtin.com/jobs/ai, jobs.lever.co for AI startups), Y Combinator Work at a Startup. The real market is broader thanks to a huge international remote segment. Time to close a Senior ML Engineer role — 6-12 weeks (longer than Backend thanks to rare-skill combination).

Un Senior ML Engineer es responsable del ciclo completo de ML en producción + liderazgo técnico. Dominio de la programación: Python a nivel de backend Senior (código limpio, async, profiling, optimización de memoria). Bases matemáticas: álgebra lineal + cálculo + probabilidad al nivel de «leer papers sin atascarse». Dominio del ML clásico: feature engineering a fondo, justificación de la elección de modelos, calibración, compromisos entre métricas de evaluación, diseño de modelos alineado con el negocio. Dominio del Deep Learning: PyTorch a fondo (Layers/Modules/Optimizers personalizados), entrenamiento distribuido (DDP, FSDP), precisión mixta, cuantización (INT8/FP16), destilación, exportación a ONNX. Dominio de LLM (imprescindible para un Senior en 2026): fine-tuning con LoRA/QLoRA, prompt engineering, arquitectura RAG (bases vectoriales Pinecone/Weaviate/Qdrant), evaluación (RAGAS, DeepEval), vLLM/TGI/SGLang para el serving. MLOps: dominio de MLflow / W&B, DVC, Airflow / Prefect / Dagster, Feature Stores (Feast / Tecton), dominio de Docker + Kubernetes para el serving de ML, Helm + ArgoCD. ML en la nube: una de AWS SageMaker / GCP Vertex AI / Azure ML a fondo. Cómputo distribuido: dominio de Ray + Spark. Monitorización: integración de Prometheus + Grafana + Evidently AI (detección de drift). Optimización de costes: utilización de GPU, tamaño de los lotes, cuantización de modelos, estrategias de caché. Diseño de sistemas de ML: diseñar en pizarra sistemas de ML a escala de 100M+ usuarios (recomendadores / fraude / ranking / chatbot). Soft: lectura de papers (NeurIPS / ICML / ICLR), redacción técnica (ADRs, documentos de diseño), code review para varios equipos, mentoría a ML Engineers Middle, comunicación con los equipos de producto/datos/backend, diseño de pruebas A/B + análisis estadístico. Inglés para Senior+ IMPRESCINDIBLE: la comunidad de ML/IA y los papers están en inglés. Extra: contribuciones open source (PyTorch / Hugging Face / LangChain): aumentan notablemente el valor de mercado.