Ejemplo de currículum de ingeniero de aprendizaje automático
Español
Vea cómo un currículum profesional de ingeniero de ML destaca el desarrollo de modelos, los pipelines de despliegue y los sistemas de ML en producción. Adapte este ejemplo a su propia experiencia.
[email protected]+34 612 987 654Calle de Serrano 45, 28006 Madrid, EspañaPermiso de conducir categoría B
Resumen Profesional
Ingeniero de aprendizaje automático sénior con 7 años de experiencia construyendo y desplegando sistemas de ML en producción a gran escala. Especializado en NLP, sistemas de recomendación y arquitecturas de aprendizaje profundo, con modelos que sirven más de 10 millones de predicciones diarias con latencia inferior a 100 ms. Publicó 3 artículos en conferencias de ML de primer nivel, incluidas NeurIPS e ICML. Apasionado por cerrar la brecha entre la investigación y la producción, con experiencia práctica en MLOps, entrenamiento distribuido y optimización de inferencia en tiempo real.
Experiencia Laboral
Ingeniero de aprendizaje automático sénior
Cabify
jun. 2022 – actualidad
Construyó un motor de recomendación que sirve más de 10 millones de predicciones diarias con un 99,5 % de disponibilidad y latencia P99 inferior a 80 ms
Desarrolló un pipeline de ML de extremo a extremo desde la ingesta de datos hasta el despliegue del modelo con Kubeflow y MLflow, reduciendo el tiempo de despliegue de 2 semanas a 3 horas
Mejoró la tasa de clics en un 25 % mediante cambios de arquitectura del modelo probados con A/B en 4 superficies de producto
Diseñó e implementó un feature store que sirve más de 500 características a 12 modelos en producción, reduciendo la duplicación de ingeniería de características en un 70 %
Tutorizó a 3 ingenieros de ML júnior y estableció un proceso de revisión de modelos adoptado en todo el equipo de plataforma de ML
Ingeniero de aprendizaje automático
Glovo
ago. 2019 – may. 2022
Ajustó modelos BERT y GPT-2 para clasificación de documentos logrando un 97 % de precisión en conjuntos de datos de producción en 15 idiomas
Construyó un pipeline de análisis de texto en tiempo real que procesa 500 mil documentos diarios con Spark y Kafka con latencia de extremo a extremo inferior a 200 ms
Redujo el tiempo de entrenamiento del modelo en un 60 % mediante entrenamiento distribuido en clústeres de GPU con Horovod y PyTorch DDP
Implementó un sistema de monitorización de modelos y detección de deriva que activaba el reentrenamiento automático, manteniendo la precisión del modelo por encima del SLA del 95 %
Ingeniero de aprendizaje automático
Amadeus IT Group
jul. 2017 – jul. 2019
Desarrolló un modelo de clasificación de imágenes con un 94 % de precisión para etiquetado de contenido, procesando más de 3 millones de activos y reduciendo el esfuerzo de revisión manual en un 65 %
Creó un pipeline de aumento de datos que multiplicó por 5 el tamaño del conjunto de entrenamiento con técnicas como CutMix, MixUp y generación sintética
Publicó un artículo de investigación sobre métodos de transfer learning en un taller de ICML, recibiendo más de 50 citas durante el primer año
Construyó un panel interactivo de explicabilidad de modelos con SHAP y LIME, permitiendo a partes interesadas no técnicas interpretar las predicciones
Educación
Máster en Ciencias de la Computación (Aprendizaje Automático)
Universidad Politécnica de Madrid, Escuela Técnica Superior de Ingenieros Informáticos
2015 - 2017
Concentración en aprendizaje automático y sistemas de aprendizaje profundo.
Grado en Ingeniería Informática
Universitat Politècnica de Catalunya, Facultad de Informática de Barcelona
2011 - 2015
Enfoque en algoritmos, estadística y sistemas distribuidos.
Cursos y Certificaciones
AWS Certified Machine Learning - Specialty
Amazon Web Services
2023
ID de certificación: AWS-MLS-2023-58104
TensorFlow Developer Certificate
Google
2021
Certificación profesional en construcción y entrenamiento de modelos TensorFlow.
Deep Learning Specialization
Coursera (DeepLearning.AI)
2020
Especialización de cinco cursos sobre CNN, RNN y modelos de secuencias.
Curso de Inteligencia Artificial Aplicada
Universidad Politécnica de Madrid
2022
Programa práctico sobre sistemas de ML en producción y MLOps.
Este es un currículum de ejemplo. Adáptelo a su experiencia usando nuestra herramienta gratuita de creación de currículos.
Consejos para el currículum
Muestre ML en producción, no solo notebooks
Las empresas quieren ingenieros que desplieguen modelos, no solo que los entrenen. Destaque el servicio de modelos, las métricas de latencia, la monitorización y la experiencia con pipelines de MLOps.
Incluya métricas de rendimiento del modelo
Las cifras de precisión, F1, AUC-ROC, latencia y rendimiento demuestran que sus modelos funcionan a escala. 'Latencia P99 inferior a 80 ms sirviendo 10 millones de predicciones al día' es un argumento potente.
Mencione el ciclo de vida completo del ML
Recolección de datos, ingeniería de características, entrenamiento del modelo, evaluación, despliegue, monitorización. Demuestre que entiende el pipeline completo, no solo el paso de modelado.
Liste publicaciones y código abierto
La ingeniería de ML valora las contribuciones de investigación. Si tiene artículos, charlas en conferencias o contribuciones significativas de código abierto, inclúyalas de forma destacada.
Habilidades clave
PythonPyTorch/TensorFlowDesarrollo de pipelines de MLDespliegue de modelosMLOps (Kubeflow/MLflow)NLP/visión por computadorAprendizaje profundoEntrenamiento distribuidoIngeniería de característicasPruebas A/BAWS SageMakerIngeniería de datos
Cómo escribir un currículum de ingeniero de machine learning
Un buen CV de ingeniero de machine learning no es una lista de librerías: demuestra que sabe llevar un modelo desde el notebook hasta producción. Estos cinco pasos le ayudarán a estructurarlo para pasar el filtro ATS y convencer al responsable técnico.
1
1. Escriba un resumen profesional orientado a producción
En 2-3 líneas indique su nivel de seniority, su dominio (NLP, visión por computador, sistemas de recomendación) y su stack principal, cerrando con una métrica de producción real: 'modelos que sirven 5 millones de predicciones diarias con latencia P99 inferior a 100 ms'. Si es júnior, sustituya la experiencia por proyectos desplegados, un buen resultado en Kaggle o un repositorio de GitHub con un modelo en producción.
2
2. Redacte bullets de experiencia con impacto de extremo a extremo
Cada línea debe combinar una acción, una herramienta y una cifra de negocio o de rendimiento: mejora del modelo (AUC, precisión) ligada a un resultado, latencia o coste de servir el modelo, o escala del pipeline procesado. Ejemplo real: 'Redujo la latencia P99 de inferencia de 220 ms a 60 ms migrando el servicio a TorchServe, permitiendo escalar a 8 millones de peticiones diarias sin aumentar coste de infraestructura'.
3
3. Organice las habilidades por categorías, no como lista suelta
Agrupe en frameworks de ML (PyTorch, TensorFlow, Scikit-learn), MLOps e infraestructura (Docker, Kubernetes, MLflow, Kubeflow, SageMaker o Vertex AI), ingeniería de datos (Spark, SQL) y lenguajes. Use los términos exactos de la oferta para superar el ATS y no liste cada librería que ha tocado una vez: mejor mostrar profundidad real en pocas.
4
4. Enseñe código y despliegues, no solo notebooks
Un GitHub con un modelo desplegado, una app RAG funcionando o un proyecto de fine-tuning de un LLM pesa más que un listado de cursos. Para perfiles de investigación, incluya artículos publicados; para júniors, resultados de Kaggle y repositorios reproducibles con README claro y demo en vivo si es posible.
5
5. Cierre con formación, certificaciones y comprobaciones ATS
Añada su máster o doctorado si lo tiene, y certificaciones con peso real como AWS Certified Machine Learning - Specialty o Google Cloud Professional ML Engineer. Termine revisando el formato: una sola columna, encabezados estándar (Experiencia, Formación, Habilidades), exportación en PDF y palabras clave copiadas literalmente de la oferta a la que aplica.
Ejemplos de resumen profesional para ingeniero de ML
Adapte estos ejemplos a su experiencia real; el resumen es lo primero que lee un reclutador y debe situarle en segundos.
Ingeniero de ML júnior / recién graduado sin experiencia laboral
Graduado en Ingeniería Informática con especialización en machine learning y proyecto de fin de máster sobre detección de fraude con XGBoost y LightGBM. He desplegado dos modelos como API con FastAPI y Docker en Render, y construido una app RAG con LangChain sobre documentos PDF. Quedé en el top 5 % de una competición de Kaggle de clasificación de imágenes. Busco mi primer puesto como ingeniero de ML donde aportar rigor de ingeniería junto a fundamentos sólidos de estadística y deep learning.
Ingeniero de ML sénior
Ingeniero de machine learning con 8 años de experiencia liderando sistemas de recomendación e-commerce en producción, sirviendo más de 15 millones de predicciones diarias con latencia P99 inferior a 70 ms. Experto en PyTorch, Kubeflow y arquitecturas de feature store, con historial de reducir costes de inferencia en un 40 % migrando a cuantización de modelos. He mentorizado a equipos de 6 ingenieros y publicado en workshops de RecSys. Busco liderar la plataforma de ML de un producto a gran escala.
Cambio de carrera desde ingeniería de software hacia ML
Ingeniero de software con 6 años construyendo microservicios y pipelines de CI/CD en producción, reconvertido a machine learning mediante un bootcamp aplicado y proyectos personales: un clasificador de texto con BERT desplegado en Vertex AI y una app de RAG para soporte técnico interno. Aporto solidez en Docker, Kubernetes y testing que muchos perfiles puramente de ciencia de datos no tienen, junto con fundamentos actualizados de deep learning y MLOps.
Palabras clave ATS para el currículum de ingeniero de ML
Repita los términos exactos de la oferta a la que aplica: tanto el ATS como el reclutador humano los buscan literalmente, no solo su significado.
Machine Learning
Debe aparecer en el título profesional y en el resumen, no solo implícito en el stack.
Python
El lenguaje base casi universal; menciónelo junto a las librerías concretas que domina.
PyTorch
Nómbrelo explícitamente si es su framework principal de deep learning, junto a proyectos donde lo usó en producción.
TensorFlow
Inclúyalo si trabajó con TensorFlow/Keras; muchas ofertas piden uno u otro framework de forma específica.
MLflow
Cítelo si gestionó versionado de experimentos o modelos; es un término muy buscado en ofertas de MLOps.
Kubeflow
Úselo si orquestó pipelines de ML en Kubernetes; refuerza el perfil de producción frente al de investigación.
Docker
Casi obligatorio hoy: mencione contenedores para servir modelos o para entornos de entrenamiento reproducibles.
Kubernetes
Añádalo si escaló servicios de inferencia o entrenamiento distribuido en clústeres.
SQL
Incluso en perfiles de deep learning, el ATS busca SQL para tareas de análisis y feature engineering.
LLM / RAG
La señal más buscada en 2026: mencione fine-tuning, pipelines RAG o bases de datos vectoriales si tiene experiencia real, aunque sea de proyectos personales.
Ejemplos de bullets: antes y después
El mismo trabajo, contado con verbo de acción, herramienta concreta y una cifra de producción, pesa mucho más en la lectura de un reclutador técnico.
Despliegue y servicio de un modelo
Responsable de desplegar modelos de machine learning en producción.
Desplegó un modelo de recomendación con TorchServe y Kubernetes, reduciendo la latencia P99 de 210 ms a 55 ms y bajando el coste de inferencia mensual en un 35 %.
Mejora de un modelo existente
Mejoró la precisión del modelo de detección de fraude.
Reentrenó el modelo de detección de fraude con nuevas features de comportamiento, elevando el AUC de 0,86 a 0,93 y evitando pérdidas estimadas de 400.000 € anuales.
Pipeline de MLOps y reentrenamiento
Construyó un pipeline automatizado de reentrenamiento de modelos.
Automatizó el pipeline de reentrenamiento con Airflow y MLflow, pasando de despliegues manuales quincenales a reentrenos diarios con un 99,2 % de éxito sin intervención manual.
Preguntas frecuentes
¿Qué debe incluir el currículum de un ingeniero de aprendizaje automático?
El currículum de un ingeniero de ML debe destacar sistemas de ML en producción, métricas de rendimiento del modelo, experiencia con pipelines de despliegue y habilidades de programación (Python, PyTorch/TensorFlow). Incluya métricas de latencia, rendimiento e impacto empresarial de los modelos desplegados.
¿Cuál es la diferencia entre el currículum de un científico de datos y uno de ingeniero de ML?
Los currículos de ingenieros de ML enfatizan sistemas en producción, despliegue, MLOps y prácticas de ingeniería. Los de científicos de datos se centran más en análisis, experimentación y métodos estadísticos. Los ingenieros de ML construyen sistemas; los científicos de datos construyen modelos.
¿Necesito un posgrado para la ingeniería de ML?
Muchos puestos de ingeniero de ML prefieren un máster o doctorado, pero no siempre es obligatorio. Una experiencia sólida en proyectos, contribuciones de código abierto y la capacidad demostrada de desplegar sistemas de ML en producción pueden compensar la formación académica.
¿Puedo crear gratis un currículum de ingeniero de ML?
¡Sí! Nuestra herramienta gratuita de creación de currículos le permite crear un currículum profesional de ingeniero de ML. Use este ejemplo como inspiración, adáptelo a su experiencia y descargue un PDF profesional en pocos minutos. Ideal también para ofertas en InfoJobs y LinkedIn.
¿Cómo hago un currículum de ingeniero de ML sin experiencia laboral?
Sustituya la experiencia por proyectos: un modelo desplegado como API, una app RAG con un LLM, un buen resultado en Kaggle o un repositorio de GitHub con demo funcionando. Destaque su formación técnica, el stack (Python, PyTorch o TensorFlow) y cualquier prueba de que puede llevar código a producción, no solo a un notebook.
¿Cómo muestro experiencia con LLM o IA generativa en el currículum?
Es la señal más buscada por reclutadores en 2026. Sea concreto: mencione fine-tuning de modelos, pipelines RAG, bases de datos vectoriales (Pinecone, Weaviate, FAISS) o evaluación de prompts, con un resultado medible como precisión de respuestas o reducción de coste por consulta. Vale tanto un proyecto laboral como uno personal bien documentado.
¿Cuentan los proyectos de Kaggle o de GitHub como experiencia?
Sí, especialmente si no tiene experiencia laboral formal. Un proyecto desplegado en producción (aunque sea personal) demuestra más que un curso terminado. Enlace el repositorio, describa el resultado con una métrica y, si es posible, incluya una demo accesible online.
¿Merece la pena sacarse certificaciones como AWS ML Specialty?
Ayudan a pasar el filtro ATS y muestran compromiso, especialmente para perfiles júnior o en transición, pero pesan menos que proyectos reales desplegados. Lo ideal es combinar una certificación reconocida (AWS Certified Machine Learning - Specialty, Google Cloud Professional ML Engineer) con al menos un proyecto propio verificable.
¿El currículum de ingeniero de ML debe estar en español o en inglés?
Para empresas españolas o startups locales, un CV en español funciona bien; para roles con equipos internacionales, en scale-ups o si aplica fuera de España, prepare también una versión en inglés, ya que gran parte de la documentación técnica y las entrevistas de ML suelen ser en ese idioma. Tener ambas versiones listas es la opción más segura.
Cree su currículum ahora
Use este ejemplo como inspiración. Adáptelo a su experiencia y descargue un PDF profesional en pocos minutos. 100 % gratis.
