Ejemplo de CV

Ejemplo de CV para Ingeniero de Machine Learning

A continuación encontrará un CV completo de un perfil de seis años dedicado a operar modelos en producción en el mercado español, del tipo que buscan hoy los marketplaces, la banca, las aseguradoras y los equipos de producto digital. Tómelo como patrón de tono y de nivel de concreción, nunca como texto para copiar: cada cifra que deje en su CV será repreguntada en la entrevista técnica, así que sustitúyalas todas por las suyas. Preste atención sobre todo a cómo cierran las viñetas, porque ahí está la clave del puesto: casi ninguna termina en una métrica de modelo, sino en milisegundos de latencia, volumen servido, minutos de detección o euros de factura de cómputo.

Written & reviewed by the CVWon Editorial Team · Updated julio 2026

Cree su CV

Ejemplo vs. plantilla: Este es un CV real de Ingeniero de Machine Learning, completo y comentado, para aprender sección por sección. ¿Listo para escribir el tuyo? Usar la plantilla de CV de Ingeniero de Machine Learning →

Ejemplo de CV completo

Ingeniero de Machine Learning

Perfil profesional

Ingeniero de Machine Learning con 6 años de experiencia en marketplaces y seguros, especializado en llevar modelos a producción y mantenerlos vivos. Responsable de una plataforma de inferencia sobre Kubernetes (AWS EKS) que sirve 11 modelos y 240 millones de predicciones al mes con latencia p99 de 38 ms y disponibilidad del 99,95 %. Diseño de pipelines de reentrenamiento automático con Airflow y MLflow, feature store compartido con Feast para 4 equipos y control de deriva con Evidently AI y Prometheus. Reduje el coste de inferencia un 74 %, de 0,42 € a 0,11 € por cada mil peticiones, mediante exportación a ONNX, cuantización a INT8 y autoescalado por utilización de GPU. Experiencia en la preparación de modelos de scoring conforme al Reglamento (UE) 2024/1689 y al RGPD. Disponible en Madrid en modelo híbrido, con contrato indefinido; inglés C1, castellano y catalán nativos.

Logros destacados

Migré el servicio de recomendación de un contenedor Flask monolítico a Triton Inference Server con modelos en ONNX y batching dinámico: la latencia p99 pasó de 210 ms a 34 ms sobre el mismo hardware y la factura mensual de cómputo bajó de 8.400 € a 3.100 €.

Implanté un feature store con Feast (Redis para servicio en línea y BigQuery para histórico) con 340 variables compartidas por 4 equipos, lo que eliminó el desfase entre entrenamiento y servicio que provocaba una caída media de 7 puntos de precisión en cada despliegue.

Automaticé el reentrenamiento semanal de 11 modelos con Airflow, MLflow y validación previa a promoción (comparación contra el modelo en producción sobre un conjunto de referencia y bloqueo automático si empeora): 34 despliegues en un año, 2 reversiones y ninguna incidencia visible para el usuario.

Instrumenté la monitorización de deriva con Evidently AI, Prometheus y Grafana (PSI por variable, divergencia de Jensen-Shannon en la distribución de salida y ventana móvil de conversión): el tiempo medio de detección de una degradación silenciosa bajó de 3 semanas a 25 minutos.

Construí una plantilla interna de despliegue con Terraform, Helm y GitHub Actions que publica cualquier modelo registrado en MLflow con una sola orden: el trabajo de puesta en producción por modelo pasó de 12 jornadas de ingeniería a 1,5, con 5 equipos usándola hoy.

Reescribí en Go el servicio de puntuación de fraude que atendía 3.200 peticiones por segundo en hora punta: p95 de 11 ms frente a los 46 ms de la versión en Python, con un 40 % menos de instancias y un presupuesto de error del 0,1 % respetado durante 14 meses seguidos.

Dirigí la respuesta al incidente de octubre de 2025, en el que un cambio de esquema aguas arriba dejó una variable en valor nulo: reversión al modelo anterior en 4 minutos, análisis posterior sin culpables y contrato de datos con validación en Great Expectations que impide desde entonces publicar un lote fuera de especificación.

Desplegué un servicio de asistencia al agente basado en un modelo de lenguaje abierto sobre vLLM con cuantización AWQ y recuperación de información sobre el repositorio documental interno: 22 tokens por segundo por usuario, coste de 0,9 € por cada mil consultas frente a los 6,4 € de la API externa previa y ningún dato personal fuera de la infraestructura propia.

Preparé la trazabilidad de los dos modelos de scoring crediticio conforme al Reglamento (UE) 2024/1689: versionado de datos y modelos con DVC y MLflow, ficha técnica por modelo, registro inmutable de inferencias durante 24 meses, explicabilidad con SHAP integrada en la respuesta del servicio y punto de supervisión humana antes de toda denegación automática. Auditoría interna de riesgo de modelo superada sin observaciones mayores.

Formé a 7 personas del equipo de ciencia de datos en empaquetado, pruebas y despliegue de modelos, con una guía interna de 30 páginas y sesiones prácticas: las entregas que llegaban a plataforma sin tests ni fichero de dependencias fijadas pasaron del 80 % al 15 % en dos trimestres.

Formación académica

Grado en Ingeniería Informática por la Universitat Politècnica de Catalunya (2017) y Máster Universitario en Inteligencia Artificial por la Universidad Politécnica de Madrid (2019), con Trabajo Fin de Máster sobre servicio de modelos de recomendación con restricciones de latencia (calificación 9,2). En España, el itinerario más habitual hacia este puesto parte de un Grado en Ingeniería Informática, Telecomunicaciones, Matemáticas o Física, seguido de un máster oficial en inteligencia artificial, ciencia de datos o ingeniería del software (UPM, UPC, UAM, Universidad de Granada, Universitat Politècnica de València, Universidad Carlos III). Indique siempre si el máster es oficial o propio, porque en banca, seguros, consultoría y sector público esa distinción se comprueba y la verificación por la ANECA se valora. A diferencia del puesto de Científico de Datos, aquí la vía de entrada más frecuente no es la estadística sino la ingeniería de software: muchos profesionales llegan desde el desarrollo backend o desde la ingeniería de datos y completan la parte de modelado con formación específica. El doctorado no es requisito y rara vez se pide, salvo en equipos de investigación aplicada o en centros como el Barcelona Supercomputing Center; para este puesto pesa mucho más una trayectoria demostrable de sistemas en producción y la experiencia con Kubernetes y nube que la profundidad académica.

Certificaciones

AWS Certified Machine Learning – Specialty

Google Cloud Professional Machine Learning Engineer

Microsoft Certified: Azure AI Engineer Associate (AI-102)

Certified Kubernetes Administrator (CKA), de la Cloud Native Computing Foundation

Certified Kubernetes Application Developer (CKAD), útil si su trabajo es de despliegue más que de operación del clúster

HashiCorp Certified: Terraform Associate

Databricks Certified Machine Learning Professional

Confluent Certified Developer for Apache Kafka, valorada en entornos de inferencia en tiempo real

Título de máster oficial con verificación de la ANECA: conviene hacerlo constar de forma expresa, porque en banca, seguros y sector público se comprueba

Formación en gobierno del dato, RGPD y criterios de la AEPD, requisito frecuente en los equipos que sirven modelos con datos personales

Nivel C1 de inglés acreditado (Cambridge CAE o Escuela Oficial de Idiomas), determinante en los hubs internacionales de Madrid y Barcelona

Competencias

¿Qué competencias debe destacar un CV de Ingeniero de Machine Learning?

Técnica

Servicio de inferencia en tiempo real: Triton Inference Server, KServe, BentoML, gRPC y batching dinámico con presupuesto de latencia definido Optimización de modelos para producción: exportación a ONNX, cuantización INT8 y AWQ, destilación, compilación con TensorRT y elección razonada entre CPU y GPU Orquestación de pipelines de entrenamiento y reentrenamiento: Airflow, Dagster, Kubeflow Pipelines y Ray para entrenamiento distribuido Feature store y coherencia entre entrenamiento y servicio: Feast, materialización en línea sobre Redis y prevención de fugas de información temporal Infraestructura como código y despliegue: Kubernetes, Docker, Terraform, Helm, GitHub Actions y GitLab CI, con despliegue canario y en sombra Observabilidad de modelos: Prometheus, Grafana, OpenTelemetry, Evidently AI, PSI, divergencia de Jensen-Shannon y alertas por presupuesto de error Ingeniería de datos para ML: Spark, Kafka, dbt, contratos de datos y validación con Great Expectations Servicio de modelos de lenguaje: vLLM, gestión de contexto, recuperación de información sobre bases vectoriales y evaluación con conjuntos de referencia propios Programación de sistemas: Python de producción con pruebas en pytest y empaquetado, Go para servicios de baja latencia, SQL avanzado y perfilado de memoria

Habilidades interpersonales

Responsabilidad sobre servicios en explotación: guardias, gestión de incidentes y análisis posterior sin culpables Negociación de compromisos de ingeniería con producto y negocio: explicar por qué 20 ms más de latencia cuestan cierto porcentaje de conversión, o por qué un punto de precisión adicional no compensa el triple de factura de GPU Colaboración con ciencia de datos: recibir un cuaderno y devolver un servicio sin que la relación se convierta en un muro de tickets Documentación técnica útil: fichas de modelo, manuales de operación y procedimientos de reversión que otra persona pueda seguir de madrugada Mentoría y elevación del nivel del equipo en prácticas de ingeniería (pruebas, revisión de código, dependencias fijadas) Criterio de coste: pensar en euros por inferencia y no solo en la métrica del modelo Comunicación con cumplimiento normativo, riesgo y auditoría en el marco del Reglamento Europeo de Inteligencia Artificial y del RGPD

Herramientas

Python Go SQL PyTorch scikit-learn ONNX Runtime Triton Inference Server vLLM KServe y BentoML MLflow Feast DVC Airflow y Dagster Ray Apache Spark Apache Kafka Docker Kubernetes (AWS EKS y GKE) Terraform y Helm AWS SageMaker Google Vertex AI GitHub Actions y GitLab CI Prometheus y Grafana Evidently AI Great Expectations Redis Git

Categoría	Competencias
Técnica	Servicio de inferencia en tiempo real: Triton Inference Server, KServe, BentoML, gRPC y batching dinámico con presupuesto de latencia definido, Optimización de modelos para producción: exportación a ONNX, cuantización INT8 y AWQ, destilación, compilación con TensorRT y elección razonada entre CPU y GPU, Orquestación de pipelines de entrenamiento y reentrenamiento: Airflow, Dagster, Kubeflow Pipelines y Ray para entrenamiento distribuido, Feature store y coherencia entre entrenamiento y servicio: Feast, materialización en línea sobre Redis y prevención de fugas de información temporal, Infraestructura como código y despliegue: Kubernetes, Docker, Terraform, Helm, GitHub Actions y GitLab CI, con despliegue canario y en sombra, Observabilidad de modelos: Prometheus, Grafana, OpenTelemetry, Evidently AI, PSI, divergencia de Jensen-Shannon y alertas por presupuesto de error, Ingeniería de datos para ML: Spark, Kafka, dbt, contratos de datos y validación con Great Expectations, Servicio de modelos de lenguaje: vLLM, gestión de contexto, recuperación de información sobre bases vectoriales y evaluación con conjuntos de referencia propios, Programación de sistemas: Python de producción con pruebas en pytest y empaquetado, Go para servicios de baja latencia, SQL avanzado y perfilado de memoria
Herramientas	Python, Go, SQL, PyTorch, scikit-learn, ONNX Runtime, Triton Inference Server, vLLM, KServe y BentoML, MLflow, Feast, DVC, Airflow y Dagster, Ray, Apache Spark, Apache Kafka, Docker, Kubernetes (AWS EKS y GKE), Terraform y Helm, AWS SageMaker, Google Vertex AI, GitHub Actions y GitLab CI, Prometheus y Grafana, Evidently AI, Great Expectations, Redis, Git
Habilidades interpersonales	Responsabilidad sobre servicios en explotación: guardias, gestión de incidentes y análisis posterior sin culpables, Negociación de compromisos de ingeniería con producto y negocio: explicar por qué 20 ms más de latencia cuestan cierto porcentaje de conversión, o por qué un punto de precisión adicional no compensa el triple de factura de GPU, Colaboración con ciencia de datos: recibir un cuaderno y devolver un servicio sin que la relación se convierta en un muro de tickets, Documentación técnica útil: fichas de modelo, manuales de operación y procedimientos de reversión que otra persona pueda seguir de madrugada, Mentoría y elevación del nivel del equipo en prácticas de ingeniería (pruebas, revisión de código, dependencias fijadas), Criterio de coste: pensar en euros por inferencia y no solo en la métrica del modelo, Comunicación con cumplimiento normativo, riesgo y auditoría en el marco del Reglamento Europeo de Inteligencia Artificial y del RGPD

Nota sectorial

En España, este puesto se concentra en cuatro focos con exigencias distintas. En los marketplaces y las plataformas de producto digital de Madrid y Barcelona manda la latencia y el coste unitario: se contrata a quien sabe servir muchas peticiones baratas y demostrar el ahorro en la factura de nube. En banca y seguros —con equipos importantes en Madrid y Bilbao— pesa el gobierno del modelo: validación independiente, documentación, explicabilidad y trazabilidad, ahora reforzadas por el Reglamento (UE) 2024/1689, que sitúa el scoring crediticio y buena parte de la suscripción de seguros entre los sistemas de alto riesgo, con supervisión de la AESIA. En telecomunicaciones, energía y retail el trabajo gira alrededor de la inferencia por lotes a gran escala y de la previsión, con Spark y Databricks como base habitual. Y en la consultoría tecnológica, muy presente en el mercado español, se rota entre clientes: la variedad de stacks es enorme y conviene revisar en la entrevista si el puesto es de plataforma propia o de proyecto facturable. En cuanto a condiciones, la referencia en 2026 para un perfil de 5 a 7 años en Madrid o Barcelona se mueve entre 55.000 € y 75.000 € brutos anuales en contrato indefinido, con bandas superiores en banca y en producto internacional; fuera de esos dos mercados, y en Valencia, Sevilla, Málaga o Zaragoza, la horquilla baja entre un 15 % y un 25 %. Es habitual la retribución flexible (seguro médico, ticket restaurante, formación) y el modelo híbrido de dos o tres días de oficina, con compensación de gastos de teletrabajo conforme a la Ley 10/2021.

FAQ

Preguntas frecuentes

Sí, y es una vía de entrada muy frecuente en España. Conserve la estructura y desplace el peso hacia lo que domina: pipelines, calidad y contratos de datos, orquestación, escalado y coste. Añada al menos un caso en el que haya llevado un modelo hasta el servicio en producción, aunque el entrenamiento lo hiciera otra persona, y explicite qué parte fue suya. Lo que no conviene es inflar la parte de modelado: se detecta en la primera pregunta sobre validación temporal o fuga de información.

Sea preciso sobre hasta dónde llegó y compense con lo que sí controla: empaquetado, pruebas, reproducibilidad, contenedores, integración continua y medición de latencia en pruebas de carga. Un proyecto propio bien documentado, con un modelo desplegado en un clúster pequeño, monitorización real y un análisis honesto de coste mensual, vale más que tres viñetas ambiguas. Inventar un despliegue es la forma más rápida de perder una entrevista técnica en la primera pregunta sobre incidentes.

Dos o tres bien elegidas por puesto son suficientes: un percentil de latencia (p95 o p99, nunca la media sola), un volumen servido y un dato económico o de escalado. Más allá de eso, el CV se vuelve un panel de métricas y se pierde el relato. Reserve el detalle para la entrevista, donde podrá explicar de dónde sale cada número y qué decisión de ingeniería hay detrás.

No hace falta una sección aparte salvo que sea el eje de su perfil. Integre esos proyectos en la experiencia con el mismo criterio que los demás: servicio, latencia, coste por cada mil consultas, evaluación sistemática y tratamiento de datos personales. Presentarlos como un bloque separado y sin cifras da la impresión de que se trata de pruebas exploratorias y no de sistemas operativos.

Bastante, siempre que sean revisables y estén vivos. En este puesto pesa más una aportación aceptada en una herramienta del ecosistema (un operador de Kubernetes, un cliente de un servidor de inferencia, un conector de MLflow) que veinte cuadernos de exploración. Enlace lo que quiera que se lea y elimine del CV los repositorios vacíos: un enlace malo resta más de lo que suma ningún enlace.

Con naturalidad y una cifra. Una línea del tipo «guardia rotatoria cada cinco semanas sobre 11 modelos en producción, con procedimiento de reversión documentado y tiempo medio de resolución de 22 minutos» comunica más madurez operativa que cualquier adjetivo. En banca y seguros es además un requisito implícito que casi nadie escribe, y por eso destaca.

La banda salarial no: se trata en la primera conversación con selección. La disponibilidad sí, en una línea del perfil, porque en el mercado español las ofertas híbridas de Madrid y Barcelona filtran por ella desde el primer cribado. Indique ciudad, modelo de trabajo aceptado y disponibilidad de incorporación si es relevante; si busca usted contrato indefinido y no acepta proyectos temporales de consultoría, mejor aclararlo desde el principio para no consumir procesos que no encajan.