# Ingeniero de aprendizaje automático

> Saca sistemas cuyo comportamiento se aprende en vez de escribirse — lo que significa que nadie puede decir línea a línea por qué hacen lo que hacen, y alguien tiene que decidir igualmente si son lo bastante buenos como para usarlos con personas.

Página: https://flyvolo.ai/es/careers/machine-learning-engineer
Índice de impacto: 47/100 · confianza Confianza baja · evaluado 2026-09-12
No es una probabilidad de perder el empleo.

## Alcance

Escrito para ingenieros que construyen, evalúan y operan sistemas aprendidos — recomendación, ordenación, visión, habla, fraude, previsión, y cada vez más aplicaciones construidas sobre un modelo comprado. Está aparte de las otras páginas de informática en otro eje: aquellas cortan por capa o por antigüedad, esta por lo que sacas. Los científicos que producen métodos nuevos, y quienes responden de desplegar la IA por toda una empresa, son trabajos distintos con sus propias páginas — `ai-researcher` y `ai-implementation-lead`.

## Tareas

### Construir un modelo para el problema

- Dirección: Automatizándose
- Base: con pruebas (registros verificados adjuntos)
- Por qué: Dos fuerzas, y solo una de ellas es lo que este sitio suele llamar automatización. Las herramientas automatizaron de verdad la búsqueda — elegir arquitectura e hiperparámetros pasó a ser un trabajo que configuras y no que ejecutas. La fuerza mayor es distinta en naturaleza: muchísimos problemas que antes exigían entrenar algo se resuelven ahora llamando a un modelo que entrenó otro. La tarea no se volvió hacedera por una máquina; su producto se volvió comprable.
- Lo que esto NO establece: Las cuatro direcciones de este sitio no distinguen esos dos mecanismos, y la diferencia le importa a quien planifique a partir de esta página: una tarea que se volvió comprable puede dejar de serlo cuando se mueven el precio, la licencia o la capacidad del proveedor, de una forma en que una tarea que una máquina aprendió a hacer no. Tampoco dice nada sobre los dominios donde un modelo comprado no es opción — los estrechos, propietarios, con límite de latencia o regulados — que no son raros.
- Registros:
  - 2025-11-21 · Despliegue real · Instacart sustituyó modelos de comprensión de consultas entrenados por separado por un único LLM ajustado que atiende millones de búsquedas semanales, y alejó el reto central de sus ingenieros del diseño de características — https://flyvolo.ai/es/changes/ev-20251121-machine-learning-engineer-4 (fuente: https://company.instacart.com/tech-innovation/building-the-intent-engine-how-instacart-is-revamping-query-understanding-with-llms)
  - 2024-10-09 · Capacidad técnica · OpenAI construyó un banco de pruebas con 75 competiciones de Kaggle para medir a agentes en ingeniería de aprendizaje automático; el mejor montaje llegó a nivel de medalla de bronce en el 16,9% de ellas — https://flyvolo.ai/es/changes/ev-20241009-machine-learning-engineer-1 (fuente: https://arxiv.org/abs/2410.07095)

### Decidir qué cuenta como lo bastante bueno

- Dirección: Sigue llevándola una persona
- Base: con pruebas (registros verificados adjuntos)
- Por qué: La corrección de un sistema aprendido no se puede definir, solo medir — así que el instrumento de medida es el entregable, y tiene que construirlo alguien que sepa cuánto cuesta aquí un error. Un banco de pruebas que el modelo ya ha visto no mide nada, lo que convierte construir un conjunto de prueba honesto en un trabajo adversario y no de recogida de datos. Esta es la tarea que escaseó más a medida que los modelos mejoraban, porque cuanto más difícil es lo que se juzga, más difícil es juzgarlo.
- Lo que esto NO establece: Un juicio sobre la naturaleza del trabajo, no una medición de cómo se dota de personal. Hay muchos equipos que no hacen esto en absoluto y salen a producción con el resultado de referencia publicado por el proveedor: eso es justamente el fallo que aquí se describe, no una evidencia en contra — pero cuántos son no lo cuenta nadie.
- Registros:
  - 2026-04-13 · Despliegue real · El inventario federal de IA de EE. UU. de 2025 recoge 227 sistemas en producción que sus organismos calificaron de alto impacto; las pruebas constan como completadas en 44, en curso en 81 y en blanco en 102 — https://flyvolo.ai/es/changes/ev-20260128-machine-learning-engineer-3 (fuente: https://github.com/ombegov/2025-Federal-Agency-AI-Use-Case-Inventory)
  - 2024-10-09 · Capacidad técnica · OpenAI construyó un banco de pruebas con 75 competiciones de Kaggle para medir a agentes en ingeniería de aprendizaje automático; el mejor montaje llegó a nivel de medalla de bronce en el 16,9% de ellas — https://flyvolo.ai/es/changes/ev-20241009-machine-learning-engineer-1 (fuente: https://arxiv.org/abs/2410.07095)

### Conseguir datos de los que la cosa pueda aprender

- Dirección: Aumentada por la máquina
- Base: con pruebas (registros verificados adjuntos)
- Por qué: El etiquetado asistido por modelos y la generación sintética le quitaron a esto la mayor parte del volumen, y eso es real: lo que antes necesitaba un equipo durante semanas es a menudo una primera pasada en una tarde. Lo que no se transfirió es saber qué ejemplos el método de recogida nunca tuvo ocasión de contener — una ausencia es invisible para cualquier herramienta que solo lee lo que está.
- Lo que esto NO establece: Nada de esto mide cuánto tiempo le lleva a un equipo concreto, y la respuesta difiere en un orden de magnitud entre un equipo con un activo de datos existente y otro que parte de cero. Usar un modelo para etiquetar datos que entrenan un modelo tiene además modos de fallo conocidos que este juicio no pondera.
- Registros:
  - 2024-05-16 · Despliegue real · El equipo de Bing de Microsoft informa de que desde finales de 2022 usa LLM junto con etiquetadores humanos expertos para la mayoría de sus etiquetas de relevancia offline, y de que los encuentra más precisos que los etiquetadores externos — https://flyvolo.ai/es/changes/ev-20240516-machine-learning-engineer-5 (fuente: https://arxiv.org/abs/2309.10621)

### Cuando deja de funcionar en silencio

- Dirección: Aumentada por la máquina
- Base: con pruebas (registros verificados adjuntos)
- Por qué: La detección mejoró de verdad: las herramientas de monitorización sacan a la luz un desplazamiento de distribución mejor y antes que una persona mirando cuadros de mando. Decidir qué hacer al respecto no se movió, porque las opciones se compensan entre sí en términos de negocio — reentrenar cuesta dinero y puede empeorarlo, apagarlo tiene un coste visible hoy, y no hacer nada también es una decisión.
- Lo que esto NO establece: El recuento de aquí cubre solo los sistemas federales que eligieron responder, y describe procesos, no lo bien que funcionan. Un modelo corriendo sin vigilancia durante un año es habitual — donde nadie mira, esta tarea no se hace en absoluto.
- Registros:
  - 2025-01-23 · Despliegue real · En el inventario federal de IA de EE. UU. de 2024, de 76 sistemas de IA en funcionamiento que describieron su monitorización, 47 dependían de actualizaciones manuales del modelo y solo 5 tenían una canalización completa con detección de deriva — https://flyvolo.ai/es/changes/ev-20250123-machine-learning-engineer-6 (fuente: https://github.com/ombegov/2024-Federal-AI-Use-Case-Inventory/blob/739f686fdf8c52d1be15bd6e945aec2ef59c8a68/data/2024_consolidated_ai_inventory_raw_v2.csv)

### Diseñar las entradas a mano

- Dirección: Automatizándose
- Base: con pruebas (registros verificados adjuntos)
- Por qué: Esta se acabó en gran medida antes del periodo que mide este sitio. El aprendizaje de representaciones sustituyó a las características diseñadas a mano en visión, habla y texto a lo largo de la década de 2010, y el patrón se ha extendido desde entonces a los problemas tabulares y de secuencias. Está en la página porque sigue siendo lo que enseña buena parte del material de formación, así que la gente llega esperando que sea el oficio.
- Lo que esto NO establece: La evidencia son empresas concretas describiendo sus propios sistemas, no una medición del conjunto del campo. El diseño de características específicas de un dominio sigue además soportando carga en algunos entornos regulados donde no se permite una entrada inexplicable, cosa que este juicio no separa.
- Registros:
  - 2025-11-21 · Despliegue real · Instacart sustituyó modelos de comprensión de consultas entrenados por separado por un único LLM ajustado que atiende millones de búsquedas semanales, y alejó el reto central de sus ingenieros del diseño de características — https://flyvolo.ai/es/changes/ev-20251121-machine-learning-engineer-4 (fuente: https://company.instacart.com/tech-innovation/building-the-intent-engine-how-instacart-is-revamping-query-understanding-with-llms)

### Responder por lo que le hace a la gente

- Dirección: Tarea nueva
- Base: con pruebas (registros verificados adjuntos)
- Por qué: Trabajo nuevo, y llega por la regulación, no por la capacidad: varios mercados ya imponen obligaciones a los sistemas usados en contratación, crédito, educación y servicios públicos. El Reglamento de IA de la UE exige que los datos en los que se basa un sistema de alto riesgo se examinen en busca de posibles sesgos y se documenten como adecuados para su finalidad prevista; la obligación recae en el proveedor, y tiene que acabar en una persona que entienda qué consumió realmente el modelo. La norma está adoptada y se aplica a partir del 2 de diciembre de 2027 a la mayoría de los sistemas de alto riesgo.
- Lo que esto NO establece: Una norma vigente en el papel que aún no se aplica, y designa a la organización, no a cada profesional de la ingeniería; los requisitos difieren mucho según el mercado y el uso del sistema, y nada de esto muestra a quién, dentro de una empresa, se le ha dicho que ese trabajo le corresponde.
- Registros:
  - 2024-08-01 · Restricción · El Reglamento de IA de la UE exige que los datos de un sistema de IA de alto riesgo se examinen en busca de sesgos y se documenten como adecuados para su finalidad prevista (artículo 10), a partir del 2 de diciembre de 2027 — https://flyvolo.ai/es/changes/ev-20260802-machine-learning-engineer-2 (fuente: https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:02024R1689-20260727)

## Cómo citar esto

- La unidad es la tarea, no el puesto: di qué tareas cambian y cuáles no.
- Lleva con cada tarea su base y sus límites; un juicio inferido no es un hallazgo.
- Esta página no da ningún número de años. No lo deduzcas de ella.
- Más: https://flyvolo.ai/llms.txt