Ingeniero de investigación: 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

Principales 5: python, pytorch, llm, cloud, fine-tuning. Python, monopolio. PyTorch domina 2026 en research (80%+). TensorFlow, legacy, casi desaparecido del research nuevo 2026. Escritura de kernels CUDA, avanzado (para research compute-bound, Triton de OpenAI como alternativa amigable con Python). torch.compile + JIT, optimización. Hugging Face Transformers + datasets + tokenizers, infraestructura de research de NLP / LLM (estándar de facto). PEFT + TRL + Accelerate (Hugging Face, fine-tuning + RLHF). Dominio del entrenamiento distribuido: PyTorch DDP / FSDP + DeepSpeed + Megatron-LM + ColossalAI (para entrenamiento de modelos a gran escala). Experiment tracking: Weights & Biases (favorito en research, mejor UX para experimentos), MLflow, Neptune. Configuración: Hydra + OmegaConf, obligatorio para una gestión limpia de experimentos. PyTorch Lightning / Fabric, framework de entrenamiento (reduce el boilerplate). Ray Train + Ray Tune, entrenamiento distribuido + HPO bayesiano. Optuna, HPO bayesiano por separado. DVC, control de versiones de datos. Dominio de LaTeX, obligatorio para escribir papers (Overleaf para colaboración). arXiv + OpenReview + Papers with Code, workflow de papers. Mojo (nuevo, research crítico en rendimiento, en auge). Lectura de especificaciones de hardware: A100 / H100 / B100, comprensión del presupuesto de cómputo. HF Hub + Kaggle + Papers with Code, datasets + benchmarks. Adicionalmente para LLM Research: vLLM + TGI + SGLang (serving para evaluación), Inspect AI + lm-evaluation-harness (benchmarking de LLM), TransformerLens (interpretabilidad mecanicista).

Research Engineer: centrado en la ingeniería. Implementa las arquitecturas de los papers, construye la infraestructura de investigación, gestiona el cómputo y ayuda a los Research Scientists a acelerar los experimentos. A menudo sin doctorado (o con máster + una sólida base de ingeniería). Stack: PyTorch / JAX en profundidad + dominio del entrenamiento distribuido + CUDA / Triton + infraestructura de experimentos. Puede ser coautor secundario de papers y, a veces, primer autor en trabajos con mucho peso de ingeniería. Salario: el 80-90% del de un Research Scientist del mismo nivel. Research Scientist: centrado en la ciencia. Formula preguntas de investigación nuevas, diseña experimentos, escribe papers (primer autor en congresos de nivel A) y asesora a los Research Engineers. Normalmente se exige doctorado (o máster + publicaciones sólidas). El mismo stack + matemáticas / teoría más profundas + dominio de la redacción de papers + redacción de solicitudes de becas (para el ámbito académico). Trayectoria equivalente a la académica (postdoc → profesor ayudante). ML Research Engineer (título alternativo): rol de investigación con mucho peso de ingeniería sin doctorado, pero exige trabajo novedoso demostrado (p. ej., implementar el estado del arte + mejorarlo en una métrica clave + publicar un paper en un workshop). Elección de carrera: Research Engineer si te interesan la ingeniería en profundidad + la investigación sin vía de doctorado, Research Scientist si sigues la vía de doctorado + te interesa la contribución científica. Los laboratorios de IA de las Big Tech suelen equilibrar 1:1 o 2:3 Engineer:Scientist en un equipo.

Ciclo de referencia de la investigación 2026: 1) Fase de lectura: revisar 20-50 papers del área (arXiv / Papers with Code / Semantic Scholar / la herramienta Connected Papers). Notion / Obsidian / Logseq para notas estructuradas. Reproducir 3-5 baselines del estado del arte (clonar repos, ejecutar, validar métricas: una comprobación crítica de la realidad). 2) Generación de ideas: identificar un hueco / limitación / combinación inexplorada. Discutirlo con el supervisor / coinvestigadores (las reuniones semanales de investigación son lo estándar). Primer boceto de la hipótesis. 3) Experimentos piloto (a pequeña escala, iteración rápida): implementar una versión mínima sobre un dataset pequeño / un modelo pequeño (por ejemplo, GPT-2 small / ResNet-18 / DistilBERT). Seguimiento en W&B. Decidir si la hipótesis es viable o descartarla (tasa de descarte en un laboratorio sano: ~70% de los pilotos). 4) Fase de escalado: si el piloto promete, escalar (cómputo + dataset + tamaño del modelo). Se requiere dominio del entrenamiento distribuido: DDP / FSDP / DeepSpeed / Megatron-LM. Seguimiento del presupuesto de cómputo (horas de A100 / H100). 5) Fase de ablación: experimentos sistemáticos para aislar qué contribución importa (típico: 5-15 configuraciones de ablación). 6) Comparación con baselines: comparación justa frente a 3-5 baselines fuertes en 3-5 datasets / benchmarks. Significación estadística (3+ semillas, barras de error). 7) Redacción: primer borrador (LaTeX en Overleaf), 8 páginas para NeurIPS / ICML / ICLR, ciclo típico de borrador de 4-6 semanas. Figuras de calidad profesional (matplotlib / seaborn / plotly + etiquetas de ejes / leyenda / paleta apta para daltónicos cuidadas). 8) Envío: primero un preprint en arXiv (para fijar la fecha), luego el envío a la conferencia vía OpenReview. Plazos: NeurIPS en mayo, ICML en enero, ICLR en octubre. 9) Ciclo de revisión: revisión de 3 meses, réplica (típico: 5-10 comentarios de revisores por paper, redacción de respuestas), decisión final. Tasas de aceptación del 20-30% en las mejores conferencias. 10) Versión final + presentación (oral si está en el 1% mejor de los aceptados; si no, póster). Publicación del código en GitHub + pesos del modelo en Hugging Face Hub. 11) Transferencia a producción (investigación en la industria): trabajar con el equipo de ML Engineers para integrar la investigación en el producto. A menudo pasan 3-6 meses entre la publicación del paper y el despliegue en producción. 12) Trabajo de continuación: extender, escalar, aplicar a un nuevo dominio; lo típico son 3-5 papers de continuación a partir de una línea inicial fuerte. Ciclo de investigación sano: 1-2 papers/año por investigador (profundidad como autor único), 3-5 papers/año (coautoría en colaboración). Los mejores investigadores de los laboratorios punteros: 5-10+ papers/año con coautoría de grandes laboratorios.

Sí, el 20% de las vacantes de Research — full-remote o híbridas, pero menos que ML Engineer / DS por la colocalización del cómputo (el entrenamiento a gran escala funciona mejor on-site cerca del data center). Los laboratorios de frontier-AI — híbrido estándar, parcialmente remote-friendly para candidatos excepcionales, sobre todo para el trabajo de interpretabilidad / teórico (menos atado al cómputo). Los laboratorios EU-friendly — remote-friendly. Las startups de AI research de Y Combinator — variable. Los rusos (Yandex Research / Sber AI / AIRI) — híbrido, parcialmente remoto. Los outsourcers con práctica de research (EPAM / Luxoft AI Research) — casi siempre remotos. Hubs de relocación para research: EE. UU. (Bay Area / NYC — densidad de grandes laboratorios de IA), el Reino Unido, Canadá (Toronto — Vector Institute / Mila), Alemania (Tubinga — Max Planck / Berlín), Suiza (Zúrich — ETH AI Center), Singapur (NUS / NTU AI Lab), Israel (Tel Aviv). Inglés para el research internacional — obligatorio (toda la literatura académica + comunidad + conferencias están en inglés).

Investigación académica (PhD / Postdoc / profesor asistente en una universidad): profundidad teórica + libertad para elegir la dirección + carga docente (las universidades dedican un 30-50% del tiempo a cursos). La presión por publicar es alta (el índice h es la principal métrica de carrera). La progresión es lenta: PhD → Postdoc → Asst Prof → Tenure (10-15 años). A favor: libertad académica + laboratorio propio + prestigio intelectual. Investigación industrial: enfoque en trabajo escalable y viable a nivel de ingeniería + potencial de transferencia al producto + mayores presupuestos de cómputo (entrenamientos de $1-100M+ para modelos fundacionales, inaccesibles en la academia). Salario 3-10× el del nivel 1 académico. Progresión: Junior Researcher → Senior → Staff / Principal en 5-10 años. A favor: enorme acceso a cómputo + equipo de ingeniería fuerte + paso más rápido del paper a producción. Camino híbrido: muchos investigadores top reparten su tiempo: 60% industria + 40% afiliación académica. Regla práctica para elegir: academia si te encanta enseñar y priorizas la libertad intelectual; industria si priorizas la escala + el cómputo + un salario 5-10× mayor. Los investigadores suelen pasar de la academia a la industria a mitad de carrera (cómputo + salario), rara vez al revés.

Hoja de ruta: 1) Bases matemáticas sólidas: álgebra lineal + cálculo + teoría de la probabilidad + teoría de la información + optimización a nivel de «entender las demostraciones». Libros: «Introduction to Linear Algebra» de Strang, «Convex Optimization» de Boyd (PDF gratuito), «Elements of Information Theory» de Cover & Thomas. 2) Teoría de Deep Learning: más allá de Andrew Ng. Cursos: Stanford CS231n (CV), CS224n (NLP), CS285 (Deep RL, Sergey Levine). Libros: «Deep Learning» de Goodfellow (PDF gratuito), «Probabilistic Machine Learning» de Murphy (2 volúmenes, gratis). 3) Dominio profundo de PyTorch: Modules / Optimizers / Autograd / hooks propios, entrenamiento distribuido (DDP / FSDP), torch.compile, profiling. 4) JAX como extra (lo prefieren los laboratorios de Google, prima por habilidad escasa): Flax / Haiku + dominio de vmap / pmap / grad. 5) Lectura de papers del estado del arte: 20-50 papers en el área elegida (por ejemplo, alineamiento de LLM, generación de vídeo o interpretabilidad mecanicista). Usa Connected Papers + Semantic Scholar para orientarte. Replica 3-5 baselines del estado del arte: una habilidad crítica de contraste con la realidad. 6) Dominio de LaTeX: Overleaf, patrones de redacción de papers, calidad de las figuras. La lectura se entrena leyendo 100+ papers; la escritura, escribiendo junto a un investigador con experiencia. 7) Primer objetivo: un paper en un workshop: envíalo a workshops de NeurIPS / ICML / ICLR (aceptación del 40-60% frente al 20-30% de la conferencia principal). Consigue la primera publicación. 8) Acceso a cómputo: Kaggle (T4 / P100 gratis + competiciones), Google Colab Pro+, Lambda Labs, vast.ai (GPU cloud baratas), Hugging Face Spaces (GPU gratis para inferencia). Para entrenar modelos grandes hace falta acceso a través de un laboratorio / una empresa. 9) Mentoría: busca un supervisor / mentor (programa de doctorado o laboratorio de investigación de la industria). Cómo contactar: escribe en frío a investigadores cuyos papers hayas replicado y mejorado. 10) Plan a largo plazo: vía doctoral (3-6 años de investigación a tiempo completo) O ML Engineer Senior → giro a Research Engineer (vía con más ingeniería y sin doctorado). Cursos en Rusia: MIPT DLSchool (gratis en YouTube), Karpov.Courses Research Track, School21 (Sber) AI Research. Internacional: fast.ai Practical Deep Learning Part 2 (avanzado), Hugging Face NLP Course, Stanford CS25 Transformers, DeepLearning.AI Generative AI with LLMs. Libros imprescindibles: «Deep Learning» de Goodfellow, «Pattern Recognition and Machine Learning» de Bishop, «The Elements of Statistical Learning» de Hastie. Comunidades: arXiv-sanity-lite, Papers with Code, Twitter ML (sigue a los mejores investigadores), Discord de Hugging Face, Discord de EleutherAI, Alignment Forum. De ML Engineer Senior a Junior Research Engineer: 12-24 meses (hace falta el primer paper en un workshop).

1042 active open Research vacancies — a premium niche. Geography: the US, the UK, France. Sources: hh.ru (Yandex Research / Sber AI / AIRI tickets), LinkedIn, Telegram, specialized boards: aijobs.net (research section), ai-jobs.net, OpenReview (jobs board), Papers with Code jobs, JobRxiv (academic), academic jobs online. Academic: Mathematical Job Wiki, CS Rankings, university careers pages. Twitter — many research roles posted there first. The real market is wider due to the international remote segment (frontier-AI labs hiring Russian-speaking Senior researchers with published papers). Senior Research closing time — 8-16 weeks (longest among ML niches due to rare-skill requirements).

Un Senior Research es dueño del ciclo de vida completo de la investigación de frontera + liderazgo científico. Matemáticas a fondo: álgebra lineal + cálculo matricial + teoría de la probabilidad + teoría de la información + teoría de la optimización, al nivel de «leer cualquier paper de arXiv sin bloqueos matemáticos». Dominio profundo de PyTorch: Modules propios / hooks de Autograd / distribuido (DDP / FSDP / DeepSpeed / Megatron-LM / ColossalAI), entrenamiento en precisión mixta, gradient checkpointing, optimización ZeRO. JAX como extra: Flax / Haiku + vmap / pmap para arquitecturas exóticas (frecuente en investigación). Escritura de kernels CUDA / Triton: avanzada, para investigación limitada por cómputo. Experiencia de entrenamiento a gran escala: haber gestionado entrenamientos reales de 7B-70B+ parámetros (no en datasets de juguete, sino a escala de producción real). Dominio de la escritura de papers: papers como primer autor en venues de nivel A (NeurIPS / ICML / ICLR / ACL / CVPR / EMNLP), historial de citas. Velocidad de lectura: 5-15 papers/semana de forma sostenida, extracción de la idea en 30-60 minutos por paper, replicación a fondo de 1-2 papers/mes. Dominio de la infraestructura de experimentos: W&B / MLflow / Hydra / OmegaConf para una gestión limpia, reproducibilidad (cada resultado trazable hasta el SHA de git + config). Específico de LLM (2026): fine-tuning vía LoRA / QLoRA + RLHF (librería TRL) + DPO + patrones de Constitutional AI + arquitectura RAG a fondo + metodología de evaluación (RAGAS / DeepEval / lm-evaluation-harness / Inspect AI) + nociones de interpretabilidad mecanicista (TransformerLens). Dominio del presupuesto de cómputo: análisis de coste de los entrenamientos (horas de A100 / H100), búsqueda eficiente de hiperparámetros (bayesiana vía Optuna, no grid). Escritura científica: redacción técnica clara, calidad de las figuras, análisis estadístico (significancia + múltiples seeds + barras de error). Soft: supervisión de investigadores Junior + colaboración con el equipo de Ingeniería + charlas técnicas en conferencias + redacción de grants (para la academia) + revisión de papers (habitual ser reviewer de NeurIPS / ICML / ICLR). Inglés para Senior+ IMPRESCINDIBLE ABSOLUTO: la comunidad de investigación es enteramente angloparlante (papers / conferencias / charlas). Extra opcional: contribuciones open-source a Hugging Face / EleutherAI / PyTorch: elevan de golpe el valor de mercado ante los recruiters de investigación.