Plantilla de CV
Plantilla de CV para Ingeniero de Machine Learning
Un CV de Ingeniero de Machine Learning se juega su credibilidad en una pregunta muy concreta: ¿qué modelos suyos están hoy en producción y quién los mantiene en pie cuando fallan? En los procesos de Madrid y Barcelona, el filtro técnico busca pipelines de reentrenamiento, servicio de inferencia con latencia acotada, monitorización de deriva y control del coste por predicción; no busca cuadernos de exploración. Esta plantilla ordena su trayectoria para que quien evalúa vea en treinta segundos el sistema que usted construyó, el volumen que soporta y lo que cuesta operarlo cada mes. Tenga presente que este puesto no es el de Científico de Datos: aquí el mérito no está en descubrir el efecto, sino en que el modelo responda a 3.000 peticiones por segundo un domingo de madrugada y se pueda revertir en cinco minutos.
Written & reviewed by the CVWon Editorial Team · Updated julio 2026
Cree su CV ahoraUn CV fuerte de Ingeniero de Machine Learning se lee como la ficha técnica de un sistema vivo, no como una lista de modelos entrenados.
Optimización ATS
Palabras clave para ATS
Incluya estas palabras clave en su CV para superar los sistemas de seguimiento de candidatos (ATS).
Un CV fuerte de Ingeniero de Machine Learning se lee como la ficha técnica de un sistema vivo, no como una lista de modelos entrenados. Cada puesto debería responder a cuatro preguntas sin que haga falta preguntarlas: qué carga soporta el servicio que usted construyó (peticiones por segundo, volumen diario de predicciones, número de modelos en cartera), con qué garantías responde (latencia p95 y p99, disponibilidad comprometida, política de reversión), cómo se mantiene solo (frecuencia de reentrenamiento, validación automática antes de promocionar, detección de deriva y umbral de alerta) y cuánto cuesta (euros por cada mil inferencias, factura mensual de GPU, ahorro conseguido tras optimizar). Los verbos delatan el nivel: «desplegué», «instrumenté», «migré», «optimicé» y «revertí» pesan mucho más que «entrené» o «probé», porque describen responsabilidad sobre un sistema en explotación. Conviene mostrar al menos un incidente real gestionado —una degradación silenciosa detectada por monitorización, una caída de latencia bajo pico de tráfico— porque nada acredita mejor la experiencia de producción que saber contar cómo se rompió algo y qué se cambió después. Añada la dimensión de plataforma: si otros equipos usan lo que usted construyó (una plantilla de despliegue, un feature store compartido, una librería interna de servicio), indique cuántos equipos y cuánto tiempo les ahorra. Y cierre con el marco regulatorio: en la Unión Europea, acreditar que sus sistemas registran trazas, versionan datos y modelos y permiten supervisión humana ya no es un adorno, sino un requisito de contratación en banca, seguros, sanidad y sector público.
Estructura
¿Qué secciones debe incluir un CV de Ingeniero de Machine Learning?
Perfil profesional (4–5 líneas)
Es la única parte que casi todo el mundo lee entera. Debe fijar de inmediato la escala del sistema que usted opera, el stack de despliegue y una cifra de coste o de latencia, porque son los dos números por los que se distingue a un perfil de producción de uno de laboratorio.
Ejemplo
Ingeniero de Machine Learning con 6 años en marketplaces y seguros. Responsable de una plataforma de inferencia sobre Kubernetes que sirve 11 modelos y 240 millones de predicciones al mes con latencia p99 de 38 ms y disponibilidad del 99,95 %. Reduje el coste de inferencia de 0,42 € a 0,11 € por cada mil peticiones mediante cuantización a INT8 y autoescalado por GPU. Reentrenamiento automático semanal con Airflow, MLflow y validación previa a promoción.
Experiencia en formato sistema – decisión de ingeniería – efecto medido
El tribunal técnico no quiere saber qué algoritmo eligió usted, sino por qué decidió servirlo de una manera y no de otra: por lotes o en línea, con réplica o con caché, en CPU o en GPU. Esa justificación es lo que distingue a quien ha operado de quien ha leído sobre operar.
Ejemplo
Sustituí el servicio de recomendación en Flask por Triton Inference Server con batching dinámico y modelo exportado a ONNX. La latencia p99 bajó de 210 ms a 34 ms con el mismo hardware, se eliminaron 6 réplicas de la carga base y la factura mensual de cómputo pasó de 8.400 € a 3.100 €.
Pipelines de datos, feature store y reentrenamiento
Es la sección que más se echa en falta en las candidaturas y la que más rápido convence. Demuestra que usted resolvió el problema real del machine learning en producción: que las variables de entrenamiento y las de inferencia sean exactamente las mismas.
Ejemplo
Implanté un feature store con Feast sobre Redis (servicio en línea) y BigQuery (histórico), con 340 variables compartidas por 4 equipos. Eliminé el desfase entrenamiento-servicio que provocaba una caída media de 7 puntos de precisión al desplegar; el tiempo de puesta en producción de un modelo nuevo bajó de 5 semanas a 6 días.
Monitorización, deriva y respuesta a incidentes
Un modelo en producción se degrada en silencio: nada se cae, simplemente empieza a acertar menos. Acreditar detección temprana y un procedimiento de reversión es, para muchas empresas españolas, el criterio que decide entre dos candidaturas equivalentes.
Ejemplo
Instrumenté con Prometheus, Grafana y Evidently AI el control de deriva de los 11 modelos en cartera (PSI por variable, divergencia de Jensen-Shannon en la distribución de salida y ventana móvil de métricas de negocio). Alerta automática y reversión al modelo anterior en menos de 4 minutos: en el incidente de octubre, un cambio de esquema aguas arriba se detectó en 25 minutos en lugar de las 3 semanas habituales.
Plataforma, automatización y trabajo transversal
A partir del nivel intermedio, la empresa no compra modelos, compra capacidad de que otros equipos desplieguen sin depender de usted. Cuantificar ese efecto multiplicador es lo que justifica un salto de banda salarial.
Ejemplo
Construí una plantilla interna de despliegue (Terraform, Helm y GitHub Actions) que empaqueta, valida y publica cualquier modelo registrado en MLflow con una sola orden. La usan 5 equipos; el trabajo de puesta en producción pasó de 12 jornadas de ingeniería por modelo a 1,5, con 34 despliegues en el primer año y 2 reversiones sin impacto para el usuario.
Cumplimiento normativo y gobierno del modelo
Con el Reglamento Europeo de Inteligencia Artificial en aplicación progresiva, cualquier sistema de scoring crediticio, selección de personal, seguros o triaje sanitario entra en la categoría de alto riesgo. Las empresas españolas ya filtran por esta experiencia y muy pocas candidaturas la mencionan.
Ejemplo
Preparé la trazabilidad de los modelos de scoring conforme al Reglamento (UE) 2024/1689: versionado de datos con DVC, ficha técnica por modelo, registro inmutable de inferencias durante 24 meses, explicabilidad con SHAP en el propio servicio y punto de supervisión humana antes de cualquier denegación automática. Superamos la auditoría interna de riesgo de modelo sin observaciones mayores.
Competencias técnicas agrupadas por capas
En este puesto el inventario de herramientas es enorme y volcarlo en una sola línea seguida vuelve ilegible el CV. Ordenarlo por capas —lenguajes, entrenamiento, servicio, infraestructura y observabilidad— demuestra por sí solo que usted razona en términos de arquitectura, y permite a quien lee comprobar en un segundo si cubre la capa concreta que le falta al equipo.
Ejemplo
Lenguajes: Python (PyTorch, scikit-learn, FastAPI), Go para servicios de baja latencia, SQL avanzado, Bash. Entrenamiento y datos: Spark, Ray, Airflow, dbt, Feast, DVC. Servicio: Triton, ONNX Runtime, vLLM, KServe, BentoML, gRPC. Infraestructura: Kubernetes, Docker, Terraform, Helm, AWS (SageMaker, EKS) y GCP (Vertex AI, GKE). Observabilidad: Prometheus, Grafana, OpenTelemetry, Evidently AI, MLflow.
Formación, certificaciones e idiomas
En banca, seguros, telecomunicaciones y sector público españoles la titulación sigue filtrando, y las certificaciones de nube son el atajo más reconocido para acreditar la parte de infraestructura cuando su trayectoria viene del lado del modelado. El inglés condiciona el acceso a los hubs internacionales.
Ejemplo
Grado en Ingeniería Informática, Universitat Politècnica de Catalunya (2017). Máster Universitario en Inteligencia Artificial, Universidad Politécnica de Madrid (2019). AWS Certified Machine Learning – Specialty (2023) y Certified Kubernetes Administrator (CKA, 2024). Inglés C1; castellano y catalán nativos.
Qué evitar
¿Cuáles son los errores más frecuentes en un CV de Ingeniero de Machine Learning?
FAQ
Preguntas frecuentes
Una página con menos de tres años de experiencia y dos a partir de ahí. Una tercera página solo se justifica si contiene publicaciones, ponencias o contribuciones relevantes a proyectos de código abierto. Lo que nunca funciona es repetir en cada puesto el mismo listado de herramientas: densidad de resultados por línea, no extensión.
Desplace el peso del descubrimiento a la operación. El Científico de Datos demuestra que estimó un efecto y cuantificó su incertidumbre; usted debe demostrar que un modelo vive en producción, responde dentro de un presupuesto de latencia, se reentrena solo, avisa cuando se degrada y cuesta una cantidad conocida de euros al mes. Si en su CV hay más líneas sobre el diseño del experimento que sobre el despliegue, lo clasificarán en el otro puesto.
Sí, pero siempre acompañadas de la métrica de sistema y de negocio. Un AUC de 0,88 sirve como contexto; lo que decide la entrevista es la frase completa: qué AUC tenía el modelo anterior, con qué latencia responde el nuevo, cuánto cuesta servirlo y qué cambió en el indicador de negocio. Una métrica de modelo sola, sin sistema alrededor, es lo que hace que un CV parezca de laboratorio.
En el mercado español lo habitual es exigir soltura con Docker, Kubernetes y una nube (AWS, GCP o Azure), capacidad de escribir y leer Terraform, y experiencia en CI/CD. No se espera que sustituya usted al equipo de plataforma, sino que sepa desplegar sin depender de él, depurar un pod que reinicia en bucle y razonar sobre memoria, GPU y coste. Si su trayectoria viene del modelado, una certificación de nube compensa bien esa carencia mientras acumula experiencia.
En banca, seguros, salud, recursos humanos y administración pública, mucho. El Reglamento (UE) 2024/1689 clasifica esos usos como de alto riesgo y exige gestión de riesgos, documentación técnica, registro de eventos, calidad de datos y supervisión humana efectiva. Con que dedique usted una o dos líneas a la trazabilidad y al versionado de datos y modelos, ya se sitúa por delante de la mayoría. En España, la supervisión corresponde a la AESIA, con sede en A Coruña, y conviene no confundir ese marco con el del RGPD, que sigue vigente en paralelo.
No es un problema: casi nadie preentrena. Lo valioso es lo que se construye alrededor. Describa el servicio de inferencia (vLLM, cuantización, gestión del contexto), la estrategia de recuperación de información, la evaluación sistemática con conjuntos de referencia propios, el control de coste por cada mil tokens y las salvaguardas contra fugas de datos personales. Ese es exactamente el trabajo que se está contratando en Madrid y Barcelona.
Guíese por el idioma de la oferta: castellano si la publica una empresa española en castellano, inglés si la descripción del puesto llega en inglés o el equipo técnico que le entrevistará es internacional, situación muy habitual en las plataformas con sede en Madrid y Barcelona. En este puesto la versión en inglés cuesta menos de lo que parece, porque el vocabulario duro ya está en inglés y no se traduce nunca: Kubernetes, feature store, model registry, latency budget o shadow deployment se escriben igual en ambas versiones, y forzar traducciones del tipo «almacén de características» solo consigue que el ATS deje de reconocer el término. Lo que sí debe cuidar es que las dos versiones coincidan al detalle en cifras de latencia, volúmenes y fechas, porque es lo primero que se contrasta si el proceso pasa por varias personas.
Salario
Salario por nivel de experiencia
Rangos salariales habituales según la antigüedad (EUR, brutos).
| Nivel | Experiencia profesional | Rango salarial |
|---|---|---|
| Nivel Inicial | 0–2 años | €35K – €55K |
| Nivel Intermedio | 3–5 años | €55K – €85K |
| Nivel Senior | 6–10 años | €85K – €130K |
| Responsable / Director | 10+ años | €120K – €170K |
Monte su CV con esta plantilla en cvwon.com y revise antes de enviarlo que cada puesto responde a las cuatro preguntas del oficio: qué carga soporta, con qué latencia, cómo se mantiene solo y cuánto cuesta. ¡Esa es la diferencia entre una candidatura más y una entrevista!
Empiece ahoraRelacionados