Currículum de ingeniero/a MLOps: ejemplos y guía para redactarlo
Un currículum de ingeniero/a MLOps pasa el filtro cuando demuestra que has llevado modelos a producción y los has mantenido allí: cuántos modelos, con qué stack de serving, con qué latencia y coste, y con qué reentrenamiento y monitorización. Los equipos de selección buscan trabajo de plataforma, no métricas de precisión sacadas de un notebook.
Ejemplo de currículum de ingeniero/a MLOps (7 años, equipo de plataforma)
Este ejemplo es de un ingeniero que pasó del backend y DevOps a un equipo de plataforma de machine learning. Los nombres y las empresas son inventados. Si vienes de la ciencia de datos, mantén la estructura y cambia los primeros empleos; más abajo hay una sección sobre ese camino.
Pablo Ferreiro Alcalá
Ingeniero MLOps
Valencia (en remoto) · 612 345 678 · pablo.ferreiro@ejemplo.es · github.com/pablo-ferreiro-ejemplo · linkedin.com/in/pablo-ferreiro-ejemplo
Perfil
Ingeniero MLOps con 7 años entre backend, DevOps y plataforma de ML, los tres últimos al frente de una plataforma de machine learning en AWS y Kubernetes. Responsable del camino desde el pipeline de entrenamiento hasta el endpoint en producción de más de 40 modelos de fraude, precios y recomendaciones. Redujo la latencia de inferencia p99 de 310 ms a 95 ms y el gasto mensual en GPU un 38 %. Herramientas del día a día: Kubernetes, Terraform, Airflow, MLflow, Ray, Triton, Prometheus y Grafana.
Experiencia
Ingeniero MLOps · Fintech B2B, 400 empleados, 30 científicos de datos e ingenieros de ML
02/2023 – actualidad
- Gestioné la plataforma interna de ML que sirve más de 40 modelos en Kubernetes (EKS), con artefactos, linaje y promoción entre entornos registrados en MLflow e infraestructura definida en Terraform.
- Rehíce el serving en tiempo real sobre Triton Inference Server con batching dinámico y conversión a ONNX: la latencia p99 bajó de 310 ms a 95 ms y el grupo de nodos GPU se redujo un 38 % (unos 15.000 € al mes).
- Estandaricé 18 pipelines de entrenamiento en Airflow con una imagen base de Docker común y un DAG en plantilla, con lo que la mediana desde un cambio de modelo fusionado hasta el endpoint en producción pasó de 9 días a 6 horas.
- Añadí monitorización de drift y de calidad con Evidently y Prometheus en 22 modelos de alto valor, con alertas ante drift de features y cambios en la distribución de las predicciones; en el primer trimestre detectaron tres roturas silenciosas de datos.
- Lideré el despliegue de la feature store en Feast para 6 equipos, con tests de coherencia offline y online que frenaron una discrepancia entre entrenamiento y serving que afectaba a 2 modelos de fraude.
- Hice guardias de la plataforma una semana de cada cinco; redacté 14 runbooks y reduje el tiempo medio de recuperación de incidencias de serving de 52 a 19 minutos.
Ingeniero DevOps · Empresa SaaS de datos de salud, 120 empleados
08/2020 – 01/2023
- Migré 60 microservicios de EC2 a EKS con Terraform y Helm, con lo que el tiempo de despliegue bajó de 25 minutos a menos de 4 y el coste de infraestructura, un 22 %.
- Construí el pipeline de CI en GitHub Actions que usan 9 equipos: tests unitarios, análisis de contenedores con Trivy e imágenes firmadas subidas a ECR.
- Implanté Prometheus, Grafana y Loki en 3 clústeres con más de 40 reglas de alerta vinculadas a objetivos de nivel de servicio (SLO).
- Llevé a producción los dos primeros modelos de ciencia de datos detrás de un servicio FastAPI, que fue lo que orientó el puesto hacia la plataforma de ML.
Ingeniero backend · Startup de logística, 45 empleados
06/2019 – 07/2020
- Desarrollé servicios en Python y Go que gestionaban 1.200 peticiones por segundo en picos para la asignación de rutas.
- Construí el ETL por lotes que alimentaba el primer modelo de previsión de demanda, con 30 GB diarios de Postgres a S3 y Redshift.
Formación
Grado en Ingeniería Informática
Universidad pública, Valencia, 2019
Certificaciones
- Certified Kubernetes Administrator (CKA), Linux Foundation, 2023 (renovada, vigente)
- AWS Certified Machine Learning – Specialty, 2022 (renovada, vigente)
- HashiCorp Certified: Terraform Associate, 2021 (renovada, vigente)
Habilidades
En qué se fija un/a responsable de plataforma de ML
Las ofertas de MLOps las redactan empresas muy distintas. Una startup busca a alguien capaz de montar todo el camino sin ayuda; una gran empresa quiere Kubernetes a fondo o una nube concreta. Todas comprueban las mismas cuatro cosas.
- ¿Has puesto modelos en producción o solo los has entrenado? La línea más potente de este currículum es el número de modelos en producción y quién depende de ellos. Si solo has llevado un modelo a producción pero te encargaste de él de principio a fin, dilo; vale más que hablar vagamente de plataforma.
- Serving y escala. Batch, tiempo real o streaming. Peticiones por segundo, latencia p50 y p99, GPU o CPU y el framework de serving. El trabajo con grandes modelos de lenguaje añade su propio vocabulario: vLLM, throughput de tokens, caché KV, cuantización, pipelines RAG.
- Profundidad en infraestructura. Kubernetes, Terraform, una nube a fondo, CI/CD y nociones de redes e IAM. Los puestos de MLOps siguen siendo puestos de infraestructura, y un currículum sin detalle de infraestructura parece el de alguien que solo usa notebooks.
- Fiabilidad y coste. Monitorización, detección de drift, rollback, guardias, incidencias. Y luego el dinero: gasto en GPU ahorrado, instancias bien dimensionadas, uso de spot. El trabajo de costes llama la atención ahora mismo porque las facturas del serving de modelos son grandes y visibles.
“Los currículums que consiguen entrevista cuentan qué se rompió y qué hicieron al respecto. Cualquiera puede poner Kubernetes y MLflow. Muy pocos saben contarme la discrepancia entre entrenamiento y serving que encontraron, cómo la encontraron y cómo es ahora la monitorización.”
Ejemplos de perfil profesional para un currículum de ingeniero/a MLOps
Tres líneas. Años y especialidad, de qué eres responsable, el stack y una cifra. Estos ejemplos cubren los caminos por los que de verdad se llega a este puesto.
Ingeniero MLOps con 6 años en infraestructura, tres de ellos al frente de una plataforma de ML en AWS y Kubernetes para 30 científicos de datos. Responsable de pipelines de entrenamiento, registro de modelos, serving y monitorización de más de 40 modelos en producción. Redujo la latencia p99 de 310 ms a 95 ms y el gasto en GPU un 38 %. Terraform, Airflow, MLflow, Triton, Prometheus.
Ingeniera de infraestructura con 7 años en Kubernetes, Terraform y GitOps, los dos últimos dedicados a construir CI/CD y serving para equipos de machine learning. Pasó el despliegue de modelos de una entrega manual a un pipeline en plantilla que usan 5 equipos. Certificación CKA y experiencia en guardias.
Ingeniero de machine learning con 6 años de experiencia, ahora centrado en sistemas de producción: contenerizó 12 modelos, sacó el entrenamiento de los portátiles a Ray sobre Kubernetes y construyó la monitorización de drift que detecta roturas de features antes que el negocio. Python, PyTorch, Airflow, MLflow, AWS SageMaker.
Ingeniera de plataforma de ML con 4 años de experiencia que actualmente gestiona inferencia de LLM autoalojada con vLLM en 16 GPU A100 para aplicaciones internas de recuperación de información. Multiplicó por 2,3 los tokens por segundo por GPU con batching continuo y cuantización, y construyó el sistema de evaluación que valida cada actualización de modelo.
Ingeniero de software con 2 años en backend con Python y un laboratorio en casa de tres nodos Kubernetes donde corren tres modelos propios detrás de un servicio FastAPI, con seguimiento en MLflow y paneles en Grafana. Certificación CKA. Busca su primer puesto a jornada completa de MLOps en un equipo de plataforma.
Empieza con un ejemplo y termina en minutos.
No necesitas registrarte para empezar. Elige un ejemplo, adáptalo con sugerencias y revisa la vista previa mientras escribes.
Logros de MLOps reescritos
Los logros de MLOps fallan de una forma muy concreta: nombran herramientas y se quedan ahí. Añade la escala y el resultado.
| Flojo | Sólido |
|---|---|
| Usé MLflow para el seguimiento de experimentos. | Convertí MLflow en el registro único de modelos de 6 equipos, con controles de promoción entre entornos que impidieron que 4 modelos sin validar llegaran a producción en el primer trimestre. |
| Desplegué modelos en producción. | Desplegué y opero más de 40 modelos en EKS detrás de Triton, con 2.800 peticiones por segundo en picos y una latencia p99 de 95 ms. |
| Construí pipelines de CI/CD. | Pasé a plantilla 18 pipelines de entrenamiento en Airflow con una imagen base común, con lo que el tiempo desde un cambio de modelo fusionado hasta el endpoint en producción bajó de 9 días a 6 horas. |
| Trabajé con Kubernetes. | Gestioné 3 clústeres EKS con autoescalado Karpenter y un 70 % de instancias spot para los trabajos de entrenamiento, con una utilización de GPU por encima del 65 % y un 38 % menos de coste mensual de cómputo. |
| Monitoricé modelos. | Añadí alertas de drift de features y de distribución de predicciones en 22 modelos con Evidently y Prometheus, que detectaron tres roturas de datos en origen antes de que afectaran al negocio. |
| Implanté una feature store. | Desplegué Feast en 6 equipos con tests de paridad offline y online, que detectaron antes del lanzamiento una discrepancia entre entrenamiento y serving que afectaba a 2 modelos de fraude. |
| Automaticé el reentrenamiento. | Configuré el reentrenamiento programado y activado por drift de 9 modelos, con evaluación automática en modo shadow frente al modelo en producción y rollback con un solo comando. |
| Mejoré la fiabilidad. | Redacté 14 runbooks y añadí SLO de serving, con lo que el tiempo medio de recuperación de las incidencias de inferencia pasó de 52 a 19 minutos en dos trimestres. |
| Optimicé la inferencia. | Convertí 7 modelos de PyTorch a ONNX y activé el batching dinámico, con lo que se triplicó el throughput por GPU y se retiraron 4 nodos del pool de serving. |
Competencias de MLOps para el currículum, agrupadas como en las ofertas
Agrupa la lista. Así tanto quien hace la selección como el filtro de palabras clave encuentran las cosas antes, y una lista agrupada evita que te atribuyas una nube entera cuando solo has usado dos de sus servicios.
- Orquestación e infraestructura: Kubernetes, Helm, Terraform, Docker, ArgoCD, GitHub Actions o GitLab CI, Ansible
- Pipelines: Airflow, Kubeflow Pipelines, Argo Workflows, Prefect, Dagster, Metaflow
- Seguimiento y registro: MLflow, Weights & Biases, DVC, Neptune
- Serving: KServe, Triton Inference Server, TorchServe, BentoML, Seldon, Ray Serve, vLLM para modelos de lenguaje
- Features y datos: Feast, Tecton, Spark, dbt, Kafka, Delta Lake, Great Expectations
- Monitorización: Prometheus, Grafana, OpenTelemetry, Evidently, WhyLabs, Arize
- Nube: AWS (SageMaker, EKS, S3, IAM), GCP (Vertex AI, GKE), Azure ML. Indica cuál conoces a fondo y cuál solo has tocado.
- Lenguajes: Python primero, después Go, Bash y SQL. Señala dónde has escrito servicios en producción y no solo scripts.
- Frameworks a los que das soporte: PyTorch, TensorFlow, scikit-learn, XGBoost, Hugging Face Transformers
- Prácticas: GitOps, despliegues blue-green y canary, despliegue en modo shadow, versionado de modelos, builds reproducibles, linaje de datos y modelos, gestión de costes
Una frase honesta vale más que una lista larga. Si nunca has entrenado un modelo, no pongas PyTorch en las competencias; escribe en un logro «da soporte a cargas de PyTorch y TensorFlow en producción». En este campo las entrevistas profundizan y las lagunas se notan enseguida.
GitHub, laboratorio en casa y la versión sin experiencia en MLOps
Mucha gente busca cómo conseguir su primer puesto de MLOps. Es uno de los pocos trabajos de ingeniería en los que un proyecto personal bien hecho ayuda de verdad, porque todo el trabajo es fontanería que puedes montar en casa con poco dinero.
- 1Construye un proyecto de extremo a extremo y descríbelo como un empleo. Ingesta de datos, pipeline de entrenamiento, registro, serving en contenedores, panel de monitorización y reentrenamiento automático. Pon el enlace al repositorio en el encabezado.
- 2Ponle cifras. «Sirve 40 peticiones por segundo en un único nodo de 2 núcleos con una p95 de 60 ms, se reentrena cada semana y alerta ante drift.» Las cifras son lo que hace que un proyecto personal se lea como ingeniería.
- 3Enseña el código de infraestructura. Quienes seleccionan y entrevistan abren los ficheros de Terraform y Helm más a menudo que los notebooks.
- 4Las certificaciones pesan más de lo habitual cuando cambias de carrera en este campo. Certified Kubernetes Administrator, los certificados de machine learning en la nube de AWS o Google y Terraform Associate encajan directamente con los requisitos de las ofertas.
- 5Si vienes de la ciencia de datos, reescribe tu experiencia en lenguaje de plataforma: cómo se desplegaban los modelos, quién los usaba, qué se rompía y cómo los monitorizabas. Quita las cifras de precisión de los modelos salvo que expliquen una decisión de plataforma.
- 6Si vienes de DevOps, añade el vocabulario de ML que ya tocas: versionado de artefactos, planificación de GPU, trabajos de entrenamiento por lotes, seguimiento de experimentos, drift.
Construí un servicio de recomendación de extremo a extremo en un clúster k3s de 3 nodos: reentrenamiento semanal con Airflow, registro en MLflow, modelo servido con BentoML con una p95 de 60 ms y alertas de drift en Grafana. Infraestructura en Terraform y repositorio público con 40 estrellas.
Contenericé y desplegué 12 modelos de previsión que antes se ejecutaban a mano en notebooks, los pasé a trabajos programados en Airflow con artefactos versionados y reduje el proceso mensual de informes de dos días a 40 minutos.
Añadí grupos de nodos GPU y autoescalado Karpenter a dos clústeres EKS para el equipo de ciencia de datos y después construí la imagen de entrenamiento compartida y la plantilla de trabajos que hoy usan 4 equipos.
Formato, extensión y cómo superar el filtro
- Una página si tienes menos de 10 años de experiencia. Dos si tienes varias plataformas construidas que merezca la pena describir. No llegues a la tercera; en este campo nadie la lee.
- Orden: encabezado con enlace a GitHub, perfil profesional, experiencia, competencias agrupadas, certificaciones y formación. Los proyectos van antes de la experiencia solo si todavía no tienes un empleo relacionado.
- Una sola columna, texto sencillo, sin barras de nivel ni puntuaciones con puntos; la foto es opcional y en este perfil no aporta. A los responsables de ingeniería no les gustan esos adornos y los programas de lectura de currículums los destrozan.
- Escribe las herramientas como las escriben sus proyectos: Kubernetes y no K8s en la lista de competencias (en un logro puedes usar K8s), MLflow con la f minúscula, PyTorch con la T mayúscula, scikit-learn en minúsculas.
- Pon una vez la sigla y la forma larga de lo que un filtro puede buscar de las dos maneras: CI/CD, IaC (infraestructura como código), LLM (gran modelo de lenguaje).
- Usa los términos de la oferta: despliegue de modelos, serving de modelos, inferencia, pipeline de entrenamiento, feature store, registro de modelos, drift, observabilidad, GPU, autoescalado, optimización de costes, guardias.
- PDF con el nombre Nombre-Apellido-Ingeniero-MLOps-CV.pdf. Añade el enlace a GitHub como texto y no solo como hipervínculo, para que no se pierda al copiar y pegar.
- En España se habla de currículum o CV indistintamente. La foto es habitual pero opcional, y no hace falta poner la fecha de nacimiento ni el DNI. Para ofertas de empresas estadounidenses, mejor sin foto.
Preguntas frecuentes
¿Qué debe demostrar un currículum de ingeniero/a MLOps?
Modelos en producción y los sistemas que los rodean. Indica cuántos modelos has desplegado, el stack de serving, la latencia, el throughput y el coste, además de tus herramientas de pipelines, registro y monitorización. Añade guardias e incidencias si las tienes. La precisión de los modelos va en un currículum de ciencia de datos, no en este.
¿Qué competencias pongo en un currículum de MLOps?
Kubernetes, Docker, Terraform, una nube a fondo, Python, un orquestador de pipelines como Airflow o Kubeflow, MLflow u otro registro equivalente, un framework de serving como KServe o Triton y monitorización con Prometheus y una herramienta de drift. Agrúpalas y señala cuáles usas a diario.
¿Cómo paso de científico/a de datos a ingeniero/a MLOps en el currículum?
Reescribe tu trayectoria en torno al despliegue y no al modelado: qué contenerizaste, programaste, versionaste y monitorizaste, y quién lo usaba. Añade trabajo de infraestructura, aunque sean piezas pequeñas. Una certificación de Kubernetes y un proyecto personal de extremo a extremo cierran casi toda la brecha de credibilidad.
¿Necesito certificaciones para un puesto de MLOps?
Son opcionales, pero aquí ayudan más que en la mayoría de campos de ingeniería, sobre todo si cambias de especialidad. Certified Kubernetes Administrator, un certificado de machine learning en la nube de AWS o Google y Terraform Associate encajan directamente con lo que piden las ofertas.
¿Cómo hago un currículum de MLOps sin experiencia?
Construye y describe un proyecto de extremo a extremo: pipeline de entrenamiento, registro, serving en contenedores, monitorización y reentrenamiento automático, con la infraestructura en Terraform. Dale cifras reales de latencia y throughput, pon el enlace al repositorio en el encabezado y añade una certificación de Kubernetes o de nube.
¿Debo poner un enlace a GitHub en mi currículum de MLOps?
Sí, si los repositorios muestran código de infraestructura y de pipelines y tienen un README legible. Un perfil vacío o abandonado resta más que no poner enlace. Un buen repositorio con un diagrama e instrucciones de instalación vale más que veinte forks.
¿Qué extensión debe tener un currículum de ingeniero/a MLOps?
Una página para la mayoría de personas, dos si has gestionado varias plataformas. Deja el perfil profesional, el puesto actual y las competencias agrupadas en la primera página, porque es lo que revisa quien contrata antes de decidir si sigue leyendo.
¿Listo para escribir el tuyo?
El editor te sugiere un perfil a partir de tu propia experiencia y luego lo compara con la oferta de empleo.
Cómo se hizo esta página: el primer borrador se redactó con ayuda de IA a partir de la biblioteca de ejemplos de cvplex y después lo editó y verificó cvplex Careers Team. Los ejemplos son composiciones ficticias y las cifras son orientativas. Puedes informar de un error en la página de política editorial. Esta versión se tradujo del inglés con ayuda de IA.