Adapta tu CV para roles de Ingenieros de Machine Learning
Las vacantes de ingeniero de ML filtran duro por vocabulario de producción — model serving, MLOps, feature stores, PyTorch — porque los equipos reciben avalanchas de CV de científicos de datos que entrenaron notebooks pero nunca desplegaron uno. El ATS verifica el stack; el gerente busca cifras de latencia, frecuencia de despliegue y evidencia de que tus modelos sobrevivieron al tráfico real.
Adapta al sabor del rol: optimización de inferencia y serving en GPU para plataformas, fine-tuning y pipelines RAG para equipos de LLM, sistemas de recomendación o ranking para ML de producto. Cuantifica modelo y sistema: 'bajé la inferencia p95 de 400ms a 80ms con cuantización ONNX', 'pipeline de reentrenamiento (Airflow + MLflow) que mantiene el AUC del modelo de fraude sobre 0.92 con refrescos semanales'. Los números de producción ganan a las listas de algoritmos.
Habilidades clave que buscan los reclutadores
Consejos de CV que sí marcan la diferencia
Acompaña cada modelo con su huella de producción
Indica stack de serving, tráfico y latencia: 'Desplegué un modelo de ranking con Triton en Kubernetes, sirviendo 30M de solicitudes diarias con p95 de 90ms'. Un modelo sin detalles de despliegue se lee como proyecto de notebook — el estereotipo exacto que un CV de MLE debe derrotar.
Evidencia dueño del ciclo de vida MLOps
Nombra tracking de experimentos (MLflow, Weights & Biases), CI/CD de modelos, monitoreo de drift y cadencia de reentrenamiento. 'Construí alertas de drift que detectaron sesgo en features, evitando una caída de precisión de 12%' prueba que operas modelos, no solo los entrenas.
Cuantifica impacto de negocio junto a métricas de modelo
Traduce AUC y recall a resultados: 'El modelo de fraude bloqueó $3M en contracargos anuales' o 'El reranker de recomendaciones subió el CTR 14%'. Los equipos de ML se financian con resultados de negocio; los CV que solo hablan en F1 se estancan en el filtro del gerente.
Empareja el vocabulario del dominio ML de la oferta
Los roles de LLM filtran por fine-tuning, LoRA, RAG, bases vectoriales y optimización de inferencia; los de ML clásico por feature engineering, XGBoost y pruebas A/B. Pon primero la mitad de tu experiencia que coincide — una sección inicial desalineada desperdicia tus diez segundos de atención.
Preguntas frecuentes
¿Qué palabras clave buscan los ATS en un CV de ingeniero de machine learning?
Python, PyTorch, TensorFlow, MLOps, despliegue de modelos, feature engineering y Kubernetes o Docker, más términos del rol: LLM, fine-tuning, RAG y bases vectoriales para roles generativos; sistemas de recomendación, ranking o visión por computadora para ML de producto. Incluye MLflow, SageMaker o Vertex AI cuando la oferta nombre una plataforma.
¿Qué extensión debe tener un CV de ingeniero de machine learning?
Una página con menos de ocho años; dos si tienes patentes o publicaciones directamente relevantes. Lidera con sistemas desplegados y su escala, comprime la investigación en una sección corta y cura la lista de habilidades — quince frameworks gritan tutoriales; seis con viñetas de producción demuestran profundidad.
¿Qué cambia entre un CV de científico de datos y uno de ingeniero de ML?
Desplaza el énfasis del análisis a los sistemas: despliegue, infraestructura de serving, pipelines y práctica de ingeniería de software (testing, code review, Git). Reemplaza viñetas de dashboards e insights por latencia, throughput y confiabilidad. Suma evidencia de Docker, Kubernetes y CI/CD — esas tres brechas descartan a la mayoría de científicos de datos que postulan a MLE.