Investigador en IA

Sobre NeoSpace

NeoSpace es una startup innovadora que está moldeando el futuro de la tecnología con soluciones de inteligencia artificial de vanguardia. Desarrollamos modelos de IA especializados para optimizar procesos y transformar la experiencia de nuestros clientes. Nuestro objetivo es simplificar la vida de las personas y aumentar la eficiencia de las empresas, creando productos y servicios más inteligentes y accesibles.

Qué buscamos

El Investigador en AI (Modelado de Deep Learning) será responsable de investigar, desarrollar y validar nuevas arquitecturas, técnicas de entrenamiento y metodologías avanzadas para modelos de aprendizaje profundo. El rol involucra investigación aplicada y exploratoria, contribuyendo tanto a la evolución científica del área como al desarrollo de soluciones innovadoras orientadas al producto y a la estrategia de la organización.

Responsabilidades

• Conducir investigaciones avanzadas con arquitecturas neuronales modernas (Transformers, Diffusion Models, RNNs avanzadas, Graph Neural Networks, modelos multimodales, etc.).
• Desarrollar y evaluar algoritmos y pipelines de entrenamiento a gran escala, incluyendo optimización, regularización, paralelización y técnicas de aceleración.
• Formular hipótesis, diseñar experimentos y analizar resultados cuantitativos y cualitativos con rigor científico.
• Proponer mejoras en modelos existentes, explorando nuevas técnicas, arquitecturas y paradigmas de deep learning.
• Crear prototipos experimentales y demostrar su viabilidad ante stakeholders técnicos.
• Colaborar con los equipos de ingeniería, producto y ciencia para transformar la investigación en soluciones de impacto.
• Documentar experimentos, metodologías y hallazgos en reportes técnicos y publicaciones internas/externas.
• Seguir el estado del arte en IA, participando en conferencias, benchmarkings y revisiones sistemáticas de la literatura.

Requisitos

• Sólido dominio de Python y frameworks de DL (preferentemente PyTorch; TensorFlow como adicional).
• Experiencia práctica en el desarrollo y entrenamiento de modelos de deep learning en GPU/TPU.
• Sólidos conocimientos de matemática aplicada: álgebra lineal, cálculo, optimización, estadística y fundamentos de probabilidad.
• Conocimiento profundo de los fundamentos de las redes neuronales modernas y sus variantes (attention mechanisms, embeddings, convoluciones, normalizaciones, técnicas de regularización, métodos de pre-entrenamiento).
• Experiencia en el manejo de grandes datasets y técnicas de data augmentation.
• Familiaridad con infraestructura moderna: entornos distribuidos, entrenamiento paralelizado, mixed precision, profiling de modelos.
• Capacidad para implementar papers del estado del arte a partir de descripciones experimentales y resultados.
• Fuerte capacidad para conducir investigación exploratoria con autonomía.
• Pensamiento crítico y rigor científico en el diseño y la ejecución de experimentos.
• Claridad al comunicar hipótesis, hallazgos y limitaciones.
• Colaboración con los equipos de ingeniería, ciencia y producto.
• Curiosidad intelectual y disposición para el aprendizaje continuo.
• Resiliencia frente a la incertidumbre y a experimentos de ciclo largo.

Deseable

• Experiencia con LLMs, modelos generativos (GANs, diffusion) o modelos multimodales a gran escala.
• Trayectoria previa en investigación aplicada o académica; publicaciones en conferencias de alto impacto (NeurIPS, ICML, ICLR, CVPR, etc.).
• Experiencia con MLOps de investigación: MLflow, Weights & Biases, DVC, herramientas de seguimiento de experimentos.
• Conocimiento de arquitecturas de hardware acelerador (CUDA, kernels personalizados, optimización de memoria).
• Experiencia en compresión de modelos (pruning, quantization, distillation) y despliegue optimizado.
• Dominio de técnicas de evaluación, metric learning y benchmarking científico.
• Familiaridad con simulaciones, modelado matemático avanzado o física computacional.

Formación

• Título de grado en Ciencias de la Computación, Estadística, Matemática, Ingeniería Eléctrica/Computación, Física o áreas afines.
• Maestría o doctorado en Machine Learning, Inteligencia Artificial, Deep Learning o áreas relacionadas es altamente deseable y un plus.
• Publicaciones y contribuciones a la comunidad de IA son un diferencial relevante.