Ingeniero de IA - LATAM
Buscamos un Ingeniero de IA con experiencia en Python y LLMs para construir y desplegar soluciones de IA generativa en producción, incluyendo asistentes inteligentes, sistemas RAG y agentes autónomos. El rol implica propiedad end-to-end de la arquitectura, despliegue, monitoreo y mejora continua.
Si te copa la IA generativa y querés llevarla a producción, este puesto es para vos. Vas a tener autonomía total para construir y desplegar soluciones de punta a punta, trabajando con Python y LLMs.
Descripción del puesto
Ingeniero/a de IA para construir y lanzar soluciones de IA generativa listas para producción: asistentes inteligentes, sistemas RAG y agentes autónomos. Rol 100% práctico con propiedad de extremo a extremo: arquitectura, despliegue, monitoreo y mejora continua. No es investigación ni POCs, es hacerlo funcionar en producción. ¿Qué harás? - Construir aplicaciones LLM y agentes de IA con LangChain / LangGraph o similar. - Implementar pipelines RAG: embeddings, bases de datos vectoriales, búsqueda híbrida. - Integrar múltiples LLMs (OpenAI, Anthropic, Gemini, open source) según costo, latencia y calidad. - Desplegar en la nube (AWS / GCP / Azure) y monitorear rendimiento, drift y costo. - Implementar evaluaciones de LLM para asegurar la calidad de las respuestas. ¿Qué buscamos? - Más de 4 años desarrollando con Python. - Experiencia real en producción con LLMs: prompt engineering, RAG, tool calling. - Experiencia práctica con bases de datos vectoriales (Pinecone, Chroma, pgvector). - Experiencia en la nube y prácticas sólidas de ingeniería: testing, control de versiones, CI/CD. - Inglés intermedio/avanzado. ¿Deseable? - Frameworks de agentes (CrewAI, AutoGen) y protocolos como MCP. - Fine-tuning de modelos open source, MLOps. - Experiencia con clientes de EE. UU. / Europa.
Responsabilidades
- Construir aplicaciones LLM y agentes de IA con LangChain / LangGraph o similar.
- Implementar pipelines RAG: embeddings, bases de datos vectoriales, búsqueda híbrida.
- Integrar múltiples LLMs (OpenAI, Anthropic, Gemini, open source) basados en costo, latencia y calidad.
- Desplegar en la nube (AWS / GCP / Azure) y monitorear rendimiento, drift y costo.
- Implementar LLM evals para asegurar la calidad de la respuesta.