MLOps: mercado
Datos a 19 de noviembre de 2026: ofertas abiertas de MLOps — 354, el 31% en remoto entre las ofertas que indican la modalidad; salario mediano anunciado $8315/mes (de 41 ofertas que indican salario). Fuente: Zorky, actualizado a diario.
MLOps Engineer: infraestructura para equipos de ML/IA. En la intersección de DevOps + ML Engineering + Platform Engineering. Construye y opera la plataforma de ML para otros equipos de DS / ML Engineer / investigación: feature stores, registro de modelos, infraestructura de entrenamiento, stack de serving, monitorización, optimización de costes. Familia de roles: MLOps Engineer (mid: infraestructura para un solo equipo de producto), Senior MLOps Engineer (plataforma para varios equipos + optimización de costes + escalado), ML Platform Engineer (construye una plataforma reutilizable para toda la organización: Feature Store / Model Registry / Training Platform), Staff / Principal MLOps (arquitectura de la plataforma de ML para una organización con varios productos), MLOps Tech Lead (liderazgo del equipo + estrategia de plataforma + integración con DevOps / SRE). Stack: Python (principal), dominio de Docker+Kubernetes (serving de ML en producción), Helm+Kustomize+ArgoCD (GitOps), Terraform/Pulumi/CloudFormation (infraestructura como código para recursos de ML gestionados en la nube), MLflow (registro de modelos + seguimiento: estándar open source), Kubeflow+Kubeflow Pipelines (orquestación de ML nativa de K8s), Airflow/Prefect/Dagster (pipelines de datos + ML), Feast/Tecton (feature stores), Triton Inference Server+BentoML+TorchServe+vLLM/TGI/SGLang (serving de modelos, específico de LLM), Prometheus+Grafana+Loki (observabilidad), Evidently AI/WhyLabs/Arize AI/Fiddler (monitorización de ML + detección de deriva), DVC+LakeFS (control de versiones de datos), AWS SageMaker/GCP Vertex AI/Azure ML/Databricks/Domino Data Lab (ML gestionado en la nube), Spark+Ray (plataformas de cómputo distribuido), FluxCD+Tekton (CI/CD para pipelines de ML), OpenTelemetry (trazado). Stack principal: mlops, ci/cd, cloud, aws, python. Entre las vacantes con modalidad de trabajo indicada, el 31% es remoto.
Datos al:
Las cifras clave del mercado de MLOps: ofertas abiertas, salario mediano, grupo de especialistas observado y proporción de remoto.
El mercado de MLOps tiene ahora 354 puestos abiertos, 304 de ellos observados recientemente. Median salary $8315/mo.
Entre las vacantes con modalidad de trabajo indicada, el 31% es remoto. El trabajo de MLOps en la nube es el estándar. Empresas de outsourcing (EPAM AI Platform / Luxoft AI): casi siempre en remoto. Bancos rusos (Sber AI banca / VTB): híbrido/oficina por cumplimiento de seguridad. Empresas internacionales de plataformas de ML: remoto total como estándar. ML Platform en Big Tech: híbrido como estándar.
⚠ salario conocido en 41 de 354 empleos; cuota de remoto a partir de 290 con formato indicado; 304 contados como observaciones recientes; no se muestran la tendencia ni la dificultad de contratación
Cronología: ofertas y fuentes
Cuántas ofertas de MLOps aparecieron cada semana desde el 1 jun y de cuántas fuentes. El gráfico inferior separa el crecimiento del mercado del crecimiento de nuestra cobertura: un salto en la semana en que se conectaron nuevas fuentes significa que empezamos a ver más, no que el mercado creció.
Nuevas ofertas por semana
Datos del gráfico
| Periodo | Nuevas ofertas por semana |
|---|---|
| 2026-06-01 | 25 |
| 2026-06-08 | 18 |
| 2026-06-15 | 12 |
| 2026-06-22 | 56 |
| 2026-06-29 | 38 |
| 2026-07-06 | 44 |
| 2026-07-13 | 67 |
| 2026-07-20 | 44 |
| 2026-07-27 | 24 |
| 2026-08-03 | 25 |
| 2026-08-10 | 29 |
| 2026-08-17 | 20 |
| 2026-08-24 | 24 |
| 2026-08-31 | 30 |
| 2026-09-07 | 24 |
| 2026-09-14 | 34 |
| 2026-09-21 | 53 |
| 2026-09-28 | 59 |
| 2026-10-05 | 56 |
| 2026-10-12 | 151 |
| 2026-10-19 | 54 |
| 2026-10-26 | 70 |
| 2026-11-02 | 85 |
| 2026-11-09 | 73 |
Fuentes activas por semana
Fuentes en el periodo: 124. ▲ — semana en la que se conectaron muchas fuentes nuevas.
Datos del gráfico
| Periodo | Fuentes activas |
|---|---|
| 2026-06-01 | 11 |
| 2026-06-08 | 8 |
| 2026-06-15 | 5 |
| 2026-06-22 | 11 |
| 2026-06-29 | 23 |
| 2026-07-06 | 19 |
| 2026-07-13 | 28 |
| 2026-07-20 | 14 |
| 2026-07-27 | 14 |
| 2026-08-03 | 19 |
| 2026-08-10 | 18 |
| 2026-08-17 | 15 |
| 2026-08-24 | 12 |
| 2026-08-31 | 20 |
| 2026-09-07 | 14 |
| 2026-09-14 | 18 |
| 2026-09-21 | 24 |
| 2026-09-28 | 23 |
| 2026-10-05 | 22 |
| 2026-10-12 | 32 |
| 2026-10-19 | 27 |
| 2026-10-26 | 29 |
| 2026-11-02 | 36 |
| 2026-11-09 | 41 |
Nuevas fuentes conectadas: 29 jun +14 · 6 jul +8 · 13 jul +15 · 9 nov +14 · todas las semanas (23) en la tabla
| Semana | Fuentes nuevas | Ofertas nuevas |
|---|---|---|
| 8 jun | +3 | 18 |
| 15 jun | +1 | 12 |
| 22 jun | +5 | 56 |
| 29 jun | +14 | 38 |
| 6 jul | +8 | 44 |
| 13 jul | +15 | 67 |
| 20 jul | +5 | 44 |
| 27 jul | +3 | 24 |
| 3 ago | +3 | 25 |
| 10 ago | +4 | 29 |
| 17 ago | +6 | 20 |
| 24 ago | +1 | 24 |
| 31 ago | +4 | 30 |
| 7 sept | +2 | 24 |
| 14 sept | +3 | 34 |
| 21 sept | +5 | 53 |
| 28 sept | +1 | 59 |
| 5 oct | +2 | 56 |
| 12 oct | +5 | 151 |
| 19 oct | +2 | 54 |
| 26 oct | +3 | 70 |
| 2 nov | +4 | 85 |
| 9 nov | +14 | 73 |
La semana actual aún no ha terminado y no se muestra: una semana incompleta parecería una caída.
Semana = fecha en que se detectó la oferta por primera vez, todos los estados; las ofertas se seleccionan con la misma regla que el contador de esta página. Las fuentes son canales de recopilación distintos; sus nombres no se publican.
Datos del gráfico
| Semana | Nuevas ofertas por semana | Fuentes activas |
|---|---|---|
| 2026-06-01 | 25 | 11 |
| 2026-06-08 | 18 | 8 |
| 2026-06-15 | 12 | 5 |
| 2026-06-22 | 56 | 11 |
| 2026-06-29 | 38 | 23 |
| 2026-07-06 | 44 | 19 |
| 2026-07-13 | 67 | 28 |
| 2026-07-20 | 44 | 14 |
| 2026-07-27 | 24 | 14 |
| 2026-08-03 | 25 | 19 |
| 2026-08-10 | 29 | 18 |
| 2026-08-17 | 20 | 15 |
| 2026-08-24 | 24 | 12 |
| 2026-08-31 | 30 | 20 |
| 2026-09-07 | 24 | 14 |
| 2026-09-14 | 34 | 18 |
| 2026-09-21 | 53 | 24 |
| 2026-09-28 | 59 | 23 |
| 2026-10-05 | 56 | 22 |
| 2026-10-12 | 151 | 32 |
| 2026-10-19 | 54 | 27 |
| 2026-10-26 | 70 | 29 |
| 2026-11-02 | 85 | 36 |
| 2026-11-09 | 73 | 41 |
Salarios a lo largo del tiempo
Salario mediano de MLOps por semana, USD al mes.
Salario mediano, USD al mes
Datos del gráfico
| Periodo | Mediana | Ofertas con salario por semana (n) |
|---|---|---|
| 2026-10-19 | 9550 | 12 |
| 2026-10-26 | 9457 | 16 |
| 2026-11-02 | 7750 | 13 |
| 2026-11-09 | — | 7 |
La serie empieza el 19 oct: antes no hay datos.
Solo ofertas con salario en USD y periodo conocido (mes o año), de 500 a 50 000 $ al mes. Las semanas con menos de 10 ofertas así quedan en blanco: significa sin datos, no cero.
Datos del gráfico
| Semana | Mediana |
|---|---|
| 2026-06-01 | — |
| 2026-06-08 | — |
| 2026-06-15 | — |
| 2026-06-22 | — |
| 2026-06-29 | — |
| 2026-07-06 | — |
| 2026-07-13 | — |
| 2026-07-20 | — |
| 2026-07-27 | — |
| 2026-08-03 | — |
| 2026-08-10 | — |
| 2026-08-17 | — |
| 2026-08-24 | — |
| 2026-08-31 | — |
| 2026-09-07 | — |
| 2026-09-14 | — |
| 2026-09-21 | — |
| 2026-09-28 | — |
| 2026-10-05 | — |
| 2026-10-12 | — |
| 2026-10-19 | 9550 |
| 2026-10-26 | 9457 |
| 2026-11-02 | 7750 |
| 2026-11-09 | — |
El trabajo remoto a lo largo del tiempo
Proporción de ofertas de MLOps con trabajo totalmente remoto, por semana.
Ofertas remotas, %
Datos del gráfico
| Periodo | Remoto |
|---|---|
| 2026-06-01 | 64,7 |
| 2026-06-08 | 50 |
| 2026-06-15 | — |
| 2026-06-22 | 46,9 |
| 2026-06-29 | 54,5 |
| 2026-07-06 | 48,3 |
| 2026-07-13 | 42,9 |
| 2026-07-20 | 63,4 |
| 2026-07-27 | 76,5 |
| 2026-08-03 | 9,5 |
| 2026-08-10 | 45 |
| 2026-08-17 | 16,7 |
| 2026-08-24 | 25 |
| 2026-08-31 | 52,2 |
| 2026-09-07 | 23,8 |
| 2026-09-14 | 26,1 |
| 2026-09-21 | 35,7 |
| 2026-09-28 | 49 |
| 2026-10-05 | 28 |
| 2026-10-12 | 32,7 |
| 2026-10-19 | 15,4 |
| 2026-10-26 | 29,7 |
| 2026-11-02 | 30,6 |
| 2026-11-09 | 43,9 |
La proporción se calcula entre las ofertas que indican la modalidad (remoto, híbrido, oficina). Las semanas con menos de 10 ofertas así quedan en blanco.
Datos del gráfico
| Semana | Remoto |
|---|---|
| 2026-06-01 | 64,7 |
| 2026-06-08 | 50 |
| 2026-06-15 | — |
| 2026-06-22 | 46,9 |
| 2026-06-29 | 54,5 |
| 2026-07-06 | 48,3 |
| 2026-07-13 | 42,9 |
| 2026-07-20 | 63,4 |
| 2026-07-27 | 76,5 |
| 2026-08-03 | 9,5 |
| 2026-08-10 | 45 |
| 2026-08-17 | 16,7 |
| 2026-08-24 | 25 |
| 2026-08-31 | 52,2 |
| 2026-09-07 | 23,8 |
| 2026-09-14 | 26,1 |
| 2026-09-21 | 35,7 |
| 2026-09-28 | 49 |
| 2026-10-05 | 28 |
| 2026-10-12 | 32,7 |
| 2026-10-19 | 15,4 |
| 2026-10-26 | 29,7 |
| 2026-11-02 | 30,6 |
| 2026-11-09 | 43,9 |
Tecnologías a lo largo del tiempo
Cómo cambió la proporción de ofertas de MLOps que mencionan cada una de las principales tecnologías.
Ofertas que mencionan la tecnología, %
Datos del gráfico
| Periodo | MLOps | cloud | Python |
|---|---|---|---|
| 2026-08-10 | 96 | 16 | 16 |
| 2026-08-17 | 100 | 25 | 20 |
| 2026-08-24 | 87 | 17,4 | 30,4 |
| 2026-08-31 | 96,2 | 7,7 | 38,5 |
| 2026-09-07 | 91,3 | 26,1 | 8,7 |
| 2026-09-14 | 97 | 6,1 | 3 |
| 2026-09-21 | 95,9 | 30,6 | 36,7 |
| 2026-09-28 | 94,9 | 44,1 | 50,8 |
| 2026-10-05 | 94,4 | 31,5 | 53,7 |
| 2026-10-12 | 89,3 | 45,6 | 30,9 |
| 2026-10-19 | 94,3 | 60,4 | 56,6 |
| 2026-10-26 | 86,2 | 30,8 | 53,8 |
| 2026-11-02 | 85,9 | 38,5 | 46,2 |
| 2026-11-09 | 91,8 | 49,3 | 38,4 |
Proporción entre las ofertas con stack etiquetado; la serie empieza el 10 ago: antes las etiquetas de stack se asignaban de otra forma. Las semanas con menos de 20 ofertas etiquetadas quedan en blanco.
Datos del gráfico
| Semana | MLOps | cloud | AWS | Python | Docker |
|---|---|---|---|---|---|
| 2026-08-10 | 96 | 16 | 4 | 16 | 12 |
| 2026-08-17 | 100 | 25 | 25 | 20 | 25 |
| 2026-08-24 | 87 | 17,4 | 8,7 | 30,4 | 21,7 |
| 2026-08-31 | 96,2 | 7,7 | 0 | 38,5 | 34,6 |
| 2026-09-07 | 91,3 | 26,1 | 8,7 | 8,7 | 8,7 |
| 2026-09-14 | 97 | 6,1 | 0 | 3 | 12,1 |
| 2026-09-21 | 95,9 | 30,6 | 18,4 | 36,7 | 20,4 |
| 2026-09-28 | 94,9 | 44,1 | 37,3 | 50,8 | 32,2 |
| 2026-10-05 | 94,4 | 31,5 | 22,2 | 53,7 | 18,5 |
| 2026-10-12 | 89,3 | 45,6 | 31,5 | 30,9 | 30,2 |
| 2026-10-19 | 94,3 | 60,4 | 32,1 | 56,6 | 28,3 |
| 2026-10-26 | 86,2 | 30,8 | 27,7 | 53,8 | 29,2 |
| 2026-11-02 | 85,9 | 38,5 | 32,1 | 46,2 | 21,8 |
| 2026-11-09 | 91,8 | 49,3 | 32,9 | 38,4 | 27,4 |
Países a lo largo del tiempo
Cómo cambió por semana la proporción de ofertas de MLOps en cada uno de los principales países.
Ofertas en el país, %
Datos del gráfico
| Periodo | Polonia | Reino Unido | Rusia |
|---|---|---|---|
| 2026-06-01 | 24 | 8 | 16 |
| 2026-06-08 | — | — | — |
| 2026-06-15 | — | — | — |
| 2026-06-22 | 77,8 | 1,9 | 1,9 |
| 2026-06-29 | 30,6 | 2,8 | 22,2 |
| 2026-07-06 | 13,2 | 10,5 | 23,7 |
| 2026-07-13 | 32,7 | 5,5 | 1,8 |
| 2026-07-20 | 63,4 | 2,4 | 19,5 |
| 2026-07-27 | 50 | 4,5 | 18,2 |
| 2026-08-03 | 4,8 | 23,8 | 4,8 |
| 2026-08-10 | 0 | 22,2 | 25,9 |
| 2026-08-17 | — | — | — |
| 2026-08-24 | 0 | 43,5 | 17,4 |
| 2026-08-31 | 0 | 11,5 | 50 |
| 2026-09-07 | — | — | — |
| 2026-09-14 | 15,4 | 7,7 | 23,1 |
| 2026-09-21 | 14,9 | 21,3 | 14,9 |
| 2026-09-28 | 35,3 | 15,7 | 2 |
| 2026-10-05 | 32,7 | 22,4 | 4,1 |
| 2026-10-12 | 22,5 | 7,8 | 2,3 |
| 2026-10-19 | 13,3 | 24,4 | 6,7 |
| 2026-10-26 | 13,8 | 17,2 | 10,3 |
| 2026-11-02 | 13,4 | 17,9 | 1,5 |
| 2026-11-09 | 11,1 | 6,3 | 12,7 |
Proporción entre las ofertas con país conocido; el gráfico muestra los cinco países con más ofertas en seis meses. Las semanas con menos de 20 ofertas con país conocido quedan en blanco. Una proporción al alza puede deberse a una fuente recién conectada en ese país y no al crecimiento del mercado.
Datos del gráfico
| Semana | Polonia | Reino Unido | EE. UU. | Rusia | India |
|---|---|---|---|---|---|
| 2026-06-01 | 24 | 8 | 28 | 16 | 16 |
| 2026-06-08 | — | — | — | — | — |
| 2026-06-15 | — | — | — | — | — |
| 2026-06-22 | 77,8 | 1,9 | 3,7 | 1,9 | 3,7 |
| 2026-06-29 | 30,6 | 2,8 | 11,1 | 22,2 | 5,6 |
| 2026-07-06 | 13,2 | 10,5 | 10,5 | 23,7 | 10,5 |
| 2026-07-13 | 32,7 | 5,5 | 20 | 1,8 | 14,5 |
| 2026-07-20 | 63,4 | 2,4 | 0 | 19,5 | 4,9 |
| 2026-07-27 | 50 | 4,5 | 4,5 | 18,2 | 0 |
| 2026-08-03 | 4,8 | 23,8 | 19 | 4,8 | 9,5 |
| 2026-08-10 | 0 | 22,2 | 3,7 | 25,9 | 11,1 |
| 2026-08-17 | — | — | — | — | — |
| 2026-08-24 | 0 | 43,5 | 8,7 | 17,4 | 4,3 |
| 2026-08-31 | 0 | 11,5 | 3,8 | 50 | 3,8 |
| 2026-09-07 | — | — | — | — | — |
| 2026-09-14 | 15,4 | 7,7 | 7,7 | 23,1 | 15,4 |
| 2026-09-21 | 14,9 | 21,3 | 14,9 | 14,9 | 2,1 |
| 2026-09-28 | 35,3 | 15,7 | 11,8 | 2 | 5,9 |
| 2026-10-05 | 32,7 | 22,4 | 22,4 | 4,1 | 0 |
| 2026-10-12 | 22,5 | 7,8 | 10,1 | 2,3 | 12,4 |
| 2026-10-19 | 13,3 | 24,4 | 15,6 | 6,7 | 15,6 |
| 2026-10-26 | 13,8 | 17,2 | 24,1 | 10,3 | 5,2 |
| 2026-11-02 | 13,4 | 17,9 | 11,9 | 1,5 | 9 |
| 2026-11-09 | 11,1 | 6,3 | 14,3 | 12,7 | 11,1 |
Mercado limpio: índice de contratación
Los mismos 7505 portales de empleo de empresas; el número de ofertas se toma del propio portal. Conectar nuevas fuentes no mueve este índice: muestra el mercado, no nuestra cobertura. Es todo el mercado del panel, no solo MLOps.
Índice de contratación, 16 oct = 100
Datos del gráfico
| Periodo | Índice de contratación |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
Índice encadenado: cada día compara solo los portales consultados ese día y el anterior; se excluyen los valores atípicos y las caídas de consulta de toda una plataforma. Los días sin pares comparables quedan en blanco.
Datos del gráfico
| Día | Índice de contratación |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
Cuántas ofertas abiertas de MLOps hay y cuántos especialistas adecuados observa Zorky.
Demanda y oferta observada
Datos del gráfico
| Indicador | Valor |
|---|---|
| Demanda abierta | 354 |
| Demanda abierta | 354 |
| Oferta observada | — no publicado |
MLOps Engineer es el nicho de IA/ML más «resistente a la recesión» (la producción lo necesita de forma continua). Crecimiento 2026 impulsado por: infraestructura para servir LLM (adopción de vLLM / TGI / SGLang), despliegue de foundation models en enterprise, desarrollo de herramientas internas de plataformas de ML y presión por optimizar costes (lo típico: GPU por $10K+/mes por equipo). Rusia: flujo estable. Empresas internacionales de plataformas de ML (Truefoundry / Bento / Determined AI / Run:AI): segmento remoto premium.
⚠ los candidatos que encajan con una vacante aún no se cuentan: se muestran la demanda y el pool observado
Cómo se distribuyen los salarios en las ofertas de MLOps, en dólares estadounidenses al mes.
Distribución de salarios
Datos del gráfico
| Indicador | Valor |
|---|---|
| <$1k | 0 |
| $1–2k | 1 |
| $2–3k | 1 |
| $3–4k | 3 |
| $4–5k | 3 |
| $5–6k | 1 |
| $6–7k | 7 |
| $7–8k | 3 |
| $8–9k | 6 |
| $9–10k | 3 |
| $10–12k | 4 |
| $12–15k | 5 |
| $15–20k | 3 |
| $20k+ | 1 |
- apto para el cálculo: 41 (11,6%)
- indicado, pero no convertido a USD/mes: 49 (13,8%)
- no indicado: 264 (74,6%)
Una de cada diez ofertas paga menos de $3894 y una de cada diez más de $13.750. La mitad de las ofertas ofrece entre $6000 y $11.608. Muestra: 41.
Datos del gráfico
| Indicador | Límite inferior | Límite superior | Cantidad |
|---|---|---|---|
| <$1k | 0 | 1000 | 0 |
| $1–2k | 1000 | 2000 | 1 |
| $2–3k | 2000 | 3000 | 1 |
| $3–4k | 3000 | 4000 | 3 |
| $4–5k | 4000 | 5000 | 3 |
| $5–6k | 5000 | 6000 | 1 |
| $6–7k | 6000 | 7000 | 7 |
| $7–8k | 7000 | 8000 | 3 |
| $8–9k | 8000 | 9000 | 6 |
| $9–10k | 9000 | 10.000 | 3 |
| $10–12k | 10.000 | 12.000 | 4 |
| $12–15k | 12.000 | 15.000 | 5 |
| $15–20k | 15.000 | 20.000 | 3 |
| $20k+ | 20.000 | — | 1 |
En qué países hay más ofertas abiertas de MLOps.
Geografía de la demanda
| país | empleos | proporción |
|---|---|---|
| Estados Unidos | 58 | 19,7% |
| Polonia | 50 | 16,9% |
| India | 26 | 8,8% |
| Reino Unido | 23 | 7,8% |
| Alemania | 18 | 6,1% |
| Francia | 16 | 5,4% |
| Rusia | 16 | 5,4% |
| Canadá | 12 | 4,1% |
| Rumanía | 9 | 3,1% |
| Países Bajos | 5 | 1,7% |
| Otros países | 62 | 21% |
El líder por número de vacantes de MLOps es EE. UU. (58 vacantes). Polonia — hub de la UE AI-Platform-friendly. Alemania — clúster de IA de Berlín. Gran remoto internacional vía empresas de plataforma de ML (Truefoundry / Bento / W&B / Comet / Determined AI) + equipos de MLOps en startups de IA.
⚠ solo número de empleos: el salario por país no se publica
Datos del gráfico
| País | Ofertas |
|---|---|
| US | 58 |
| PL | 50 |
| IN | 26 |
| GB | 23 |
| DE | 18 |
| FR | 16 |
| RU | 16 |
| CA | 12 |
| RO | 9 |
| NL | 5 |
Qué tecnologías se piden con más frecuencia en la misma oferta que MLOps.
Se usa junto con
Cuota: cuántas de las 354 ofertas del mercado MLOps mencionan esta tecnología. Ordenado por número de ofertas, no por «fuerza de asociación». Términos genéricos como cloud no son una nube concreta (AWS, Azure).
Stack principal de MLOps 2026: Python + Go como bonus, dominio de Docker + dominio de Kubernetes (estándar de producción), Helm + Kustomize + ArgoCD / FluxCD (GitOps), Terraform + Pulumi / CloudFormation (IaC), MLflow (model registry + tracking, estándar open-source) + Kubeflow + Kubeflow Pipelines, Airflow / Prefect / Dagster (workflow), Feast / Tecton (feature stores), Triton Inference Server + BentoML + TorchServe + KServe (serving de modelos), vLLM + TGI + SGLang + Ollama (serving de LLM, obligatorio 2026), Prometheus + Grafana + Loki + OpenTelemetry, Evidently AI + WhyLabs + Arize AI + Fiddler (monitorización de ML + drift), DVC + LakeFS, AWS SageMaker / GCP Vertex AI / Azure ML / Databricks (ML gestionado en cloud), Spark + Ray (cómputo distribuido), NVIDIA GPU Operator + Kubeflow Training Operator + Spark Operator + Argo Workflows (operators de ML en K8s).
Parejas habituales: Kubernetes + Helm + ArgoCD + Terraform, MLflow + Kubeflow + Feast, Triton + KServe + Prometheus + Grafana, vLLM + TGI + SGLang (stack de serving de LLM), AWS SageMaker + Terraform + GitHub Actions, GCP Vertex AI + Kubeflow Pipelines, Databricks + MLflow + Spark, Evidently AI + Prometheus + Grafana (observabilidad de ML). Hoja de ruta de aprendizaje: fundamentos de DevOps (Linux + Docker + K8s) → Terraform + una plataforma cloud a fondo → CI/CD + GitOps → nociones de ML (Python + sklearn + PyTorch) → MLflow + Feast (base de la plataforma de ML) → Triton / vLLM (serving) → Evidently AI (monitorización) → proyecto personal de plataforma de ML → contribuciones open source.
Datos del gráfico
| Nombre | Cantidad |
|---|---|
| mlops | 277 |
| cloud | 147 |
| aws | 122 |
| python | 119 |
| docker | 105 |
| kubernetes | 102 |
| azure | 83 |
| mlflow | 56 |
| gcp | 52 |
| llm | 50 |
| airflow | 48 |
| databricks | 37 |
Cuántas ofertas de MLOps hay en cada nivel, de junior a principal.
Demanda por nivel
| nivel | empleos |
|---|---|
| senior | 126 |
| middle | 30 |
| principal | 24 |
| lead | 16 |
| junior | 11 |
Junior: entrada típica: DevOps Middle + interés por el ML, O ML Engineer Middle + interés por la infraestructura, O Backend Senior + cursos de ML. Trayectoria: Junior (1-2 años) → Middle (2-3 años) → Senior → luego Staff / Principal MLOps (técnico en profundidad), MLOps Tech Lead / Platform Engineering Manager o fundador de una startup de plataformas de ML.
⚠ solo el lado de la demanda: el nivel del pool observado se desconoce en su mayor parte
Datos del gráfico
| Nivel | Cantidad |
|---|---|
| senior | 126 |
| middle | 30 |
| principal | 24 |
| lead | 16 |
| junior | 11 |
Quién contrata más en MLOps y cuánto se concentra la demanda en las empresas más grandes.
Empleadores
La demanda se reparte entre 280 empleadores. El mayor concentra el 1.2%, los diez primeros el 9.3%; el 90.7% restante es cola larga.
| proporción | valor |
|---|---|
| top-1 | 1.2% |
| top-3 | 3.4% |
| top-10 | 9.3% |
| cola larga | 90.7% |
⚠ no se muestran nombres: el clasificador aún no distingue entre agencias de selección y empleadores finales
De qué webs de empresas y portales de empleo recoge Zorky las ofertas de MLOps.
Dónde ve Zorky este mercado
Observado en 71 fuentes; la mayor concentra el 9.6%: este mercado no depende de un solo canal.
Datos del gráfico
| Clase | Nombre | Nombre en inglés | Cantidad | Proporción |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS y webs de empleo de empresas | 181 | 0,5113 |
| board | джоб-борды и агрегаторы | portales de empleo y agregadores | 146 | 0,4124 |
| telegram | Telegram | Telegram | 25 | 0,0706 |
| comunidad | сообщества и публичные профили | comunidad y perfiles públicos | 2 | 0,0056 |
Las ofertas de MLOps más recientes de las webs de empleo de las empresas.
Vacantes recientes
- Inżynier MLOps (k/m) · RO
- Senior Inżynier MLOps (k/m) · RO
- MLOps Mühendisi · RO
- Junior Inżynier MLOps (k/m) · RO
- Senior Data Engineer, Taxonomy, AI Data Modeling, MLOps, YouTube Business · US
- AI/ML Platform MLOps Engineer · BR
- Oversee AI optimization, monitoring, security, and MLOps/LLMOps practices.
- Sr MLOps Engineer · US
Últimas vacantes abiertas de MLOps: las 10 posiciones más recientes con una descripción de calidad suficiente. La lista completa está en nuestro CRM o en el enlace «ver todas» de abajo.
Mercados adyacentes
MLOps Engineer se solapa con DevOps (stack base), Platform Engineer (foco en herramientas internas: movimiento lateral sencillo), ML Engineer (comprensión del flujo de trabajo de ML), SRE (fiabilidad + observabilidad a fondo) y Backend Engineer (diseño de sistemas + patrones de API). La comparación con ml-engineer/data-scientist/research está en el SiblingSubnichesChart de arriba.
⚠ los mercados adyacentes para comparar aún no están definidos
Cómo se mide
- Vacante
- un empleo abierto que superó el filtro de calidad y menciona al menos dos tecnologías
- Candidato observado
- un candidato cuyo stack contiene esta tecnología; es un agregado: ni un solo registro sale del perímetro
- Candidato emparejable
- aún no contabilizado
- Ventana
- empleos abiertos en el momento en que se generó el snapshot
Sobre los datos
- Algunos desgloses están ocultos: su cobertura de datos aún no es suficiente.
- Las estadísticas se muestran solo donde la muestra supera un control de calidad.
- Que falte un bloque no significa que el valor sea cero.
Desgloses ocultos actualmente: 8.
Área: IA / ML / Data Science
Especializaciones relacionadas
Dentro de MLOps: MLOps Engineer (mid: infraestructura para un equipo de producto), Senior MLOps (plataforma para varios equipos + optimización de costes), ML Platform Engineer (plataforma reutilizable como producto para la organización), Staff / Principal MLOps (arquitectura para una organización multiproducto), MLOps Tech Lead (gestión del equipo + estrategia de plataforma). La comparación con ml-engineer/data-scientist/research está en la barra de abajo.
Preguntas frecuentes
Las preguntas más frecuentes sobre MLOps Engineer: salario, MLOps frente a DevOps frente a Platform Engineer, MLflow frente a Kubeflow frente a Vertex AI frente a SageMaker (árbol de decisión de 7 opciones), diferencias con ML Platform Engineer, trabajo remoto, cómo llegar a serlo (4-10 meses desde DevOps Middle / ML Engineer Middle), skills de Senior (serving de LLM + optimización de costes + plataforma multi-equipo). Las respuestas se recalculan automáticamente.
¿Cuánto gana un MLOps Junior, Middle, Senior o Lead?
Junior MLOps: entrada típica: 1) DevOps / SRE Middle + interés por ML, 2) ML Engineer Middle + interés por la infraestructura, 3) Backend Senior + conocimientos de ML (mediante cursos). El salto de Junior a Middle: tras el primer despliegue de una plataforma de ML de extremo a extremo (Feature Store + Model Registry + stack de serving + monitorización). De Middle a Senior: responsabilidad de plataforma para varios equipos + optimización de costes. De Senior a Staff / Principal: arquitectura de la plataforma de ML para una organización multiproducto + estrategia de integración con los equipos de DevOps / SRE / Data Platform. Trayectoria: DevOps Middle / ML Engineer Middle → Junior MLOps (1-2 años) → Middle (2-3 años) → Senior → luego Staff / Principal MLOps (en profundidad), MLOps Tech Lead (gestión) o fundador de una startup de plataformas de ML.
¿Qué stack necesita con más frecuencia un MLOps?
Principales 5: mlops, ci/cd, cloud, aws, python. Python (principal, para infraestructura propia), Go un plus (para componentes de infra críticos en rendimiento, p. ej. proxies de serving). Dominio de Docker (multi-stage builds para imágenes de ML optimizadas, contenedores con GPU). Dominio de Kubernetes (estándar de producción para serving de ML: Deployment / StatefulSet / DaemonSet / Job / CronJob, RBAC, Network Policies, Resource Quotas, HPA / VPA / Cluster Autoscaler). GPU operator (NVIDIA GPU Operator para scheduling de GPU en K8s). Operators de K8s para ML: Kubeflow Training Operator + Spark Operator + Argo Workflows. Helm + Kustomize + ArgoCD / FluxCD, estándar GitOps. Terraform / Pulumi / CloudFormation (IaC para ML gestionado en cloud, recursos AWS / GCP / Azure). Dominio de MLflow (estándar open-source para model registry + tracking, el Senior es dueño de la personalización de MLflow Plugins). Kubeflow + Kubeflow Pipelines (orquestación de ML nativa de K8s, a menudo requerida en grandes enterprise). Orquestadores de workflow: Airflow + Prefect + Dagster (uno a fondo, Dagster en auge 2026). Feature stores: Feast (open-source) o Tecton (gestionado), obligatorio para Senior MLOps. Serving de modelos: Triton Inference Server (NVIDIA, multi-framework + dynamic batching) + BentoML (amigable con Python) + TorchServe + KServe (serving nativo de K8s). Serving específico de LLM: vLLM (PagedAttention, récord en serving de LLM de alto throughput), Text Generation Inference (TGI) de Hugging Face, SGLang (modelo de programación para serving de LLM + caché), Ollama (serving local de LLM). Observabilidad: Prometheus + Grafana + Loki + OpenTelemetry. Monitorización de ML + detección de drift: Evidently AI + WhyLabs + Arize AI + Fiddler (uno a fondo). Control de versiones de datos: DVC + LakeFS. ML gestionado en cloud: uno de AWS SageMaker / GCP Vertex AI / Azure ML / Databricks a fondo. Plataformas de cómputo distribuido: dominio de Spark + Ray. Optimización de coste: estrategia de spot instances, compartición de GPU (NVIDIA MIG), integración de cuantización, estrategias de caché (Redis para resultados de inferencia), análisis de coste inferencia batch vs real-time.
MLOps frente a DevOps frente a Platform Engineer: ¿cuál es la diferencia?
DevOps Engineer: enfoque en la infraestructura general de aplicaciones (CI/CD + monitorización + nube + Kubernetes + IaC). Stack: Docker / K8s / Terraform / Prometheus / Grafana / Ansible / Jenkins / GitHub Actions / nube (AWS / GCP / Azure). Ver DevOps Engineer (general) (cuando se publique la página). Platform Engineer: DevOps + enfoque en herramientas internas. Construye una plataforma para los ingenieros (gestión de clústeres K8s + ArgoCD + IDP, Internal Developer Platform: Backstage / Port / Cortex). MLOps Engineer (esta página): DevOps + enfoque específico de ML. Construye una plataforma de ML para equipos de DS / ML Engineer / investigación. Sobre el stack DevOps: MLflow / Kubeflow / Feature Stores / serving de modelos (Triton / vLLM) / monitorización de ML (Evidently / WhyLabs) / ML gestionado en la nube (SageMaker / Vertex AI). ML Platform Engineer: MLOps Senior con enfoque en una plataforma reutilizable como producto (para toda la organización, no para un solo equipo). Solapamiento de carreras: DevOps Middle → MLOps Junior: 6-12 meses (aprender el stack de ML + Kubeflow / MLflow + ML gestionado en la nube). MLOps Senior ↔ Platform Engineer Senior: movimiento lateral fácil (mucho stack compartido). ML Engineer Middle → MLOps Junior: 4-8 meses (ya conoce el stack de ML; hay que profundizar en Kubernetes + Terraform + observabilidad). DevOps → MLOps: más lejano que el cambio a Platform Engineer (brecha de conocimiento de ML).
MLflow frente a Kubeflow frente a Vertex AI frente a SageMaker: ¿cuál elegir?
Árbol de decisión para elegir una plataforma de ML 2026: 1) MLflow (open source, neutral respecto al proveedor): lo mejor para seguimiento de experimentos + registro de modelos + despliegue sencillo. Ligero. Autoalojado o gestionado (Databricks). Caso de uso: la base de la plataforma de ML en la mayoría de las organizaciones. La opción por defecto en 2026 para el seguimiento de ML a nivel de equipo. 2) Kubeflow + Kubeflow Pipelines (open source, nativo de Kubernetes): lo mejor para organizaciones empresariales centradas en K8s que quieren un stack de plataforma de ML completo sin dependencia de proveedor. Configuración más pesada. Incluye: Pipelines (flujos de trabajo) + Training Operator (entrenamiento distribuido) + Serving (KFServing → KServe) + Notebooks. Caso de uso: gran empresa + equipo maduro en Kubernetes + requisito multicloud / on-prem. 3) AWS SageMaker (gestionado): lo mejor para organizaciones nativas de AWS. Completo: SageMaker Studio (IDE) + Training Jobs + Hyperparameter Tuning + Pipelines + Endpoints (tiempo real + batch) + Model Registry + Feature Store + Clarify (detección de sesgos). Dependencia de AWS. Caso de uso: organización centrada en AWS + equipo de ML pequeño: compensa por la cantidad de funcionalidades en una sola plataforma. Caro a escala. 4) GCP Vertex AI (gestionado): el equivalente de SageMaker en Google. Fuerte en: Vertex AI Workbench (Jupyter en la nube), Pipelines (basados en Kubeflow: portables), AutoML, acceso a TPU (para investigación / grandes entrenamientos), Model Garden (modelos preentrenados). Caso de uso: organización centrada en GCP + importa la portabilidad de Kubeflow. 5) Azure ML (gestionado): el equivalente en Azure. Fuerte en: Designer (constructor visual de pipelines de ML), AutoML, capacidades de MLOps, integración nativa con Azure. Caso de uso: organización centrada en Azure / Microsoft. 6) Databricks (gestionado, multicloud): lo mejor para cargas de ML centradas en Spark + Lakehouse. Creadores de MLflow. Precio premium. Caso de uso: organizaciones con mucho volumen de datos y patrón Spark / Lakehouse. 7) Plataformas especializadas: Weights & Biases (la mejor UX para seguimiento de experimentos: la favorita de la investigación), Comet (alternativa a W&B), Neptune, Determined AI (plataforma de entrenamiento distribuido), Run:AI (orquestación de GPU, adquirida por NVIDIA), Truefoundry + Bento (serving de modelos moderno). Por defecto en 2026 para un equipo de ML nuevo: MLflow autoalojado (o Databricks gestionado si hay mucho Spark) + serving en Kubernetes (Triton / vLLM) + Feast (feature store) + Prometheus + Grafana + Evidently AI. Por defecto para una empresa nativa de AWS: SageMaker (si el coste es aceptable + equipo pequeño) o MLflow en EKS + servicios propios (más barato a escala). Por defecto para una empresa madura en Kubernetes: Kubeflow + MLflow.
¿Qué proporción de vacantes ofrece trabajo remoto?
Entre las vacantes con modalidad de trabajo indicada, el 31% es remoto. Las vacantes sin modalidad indicada se excluyen del denominador; el trabajo híbrido no se cuenta como remoto.
¿En qué se diferencia ML Platform Engineer de MLOps Engineer?
MLOps Engineer (general) — puede trabajar en cualquier equipo de ML (equipo de producto / laboratorio de research / consultora de IA). Stack: MLOps universal. ML Platform Engineer — Senior MLOps con foco en una plataforma reutilizable platform-as-product para toda la organización (no para un solo equipo). Encima de eso: diseño de APIs internas (para otros ML Engineers / DS), herramientas de autoservicio (plantillas / scaffolding / herramientas CLI — como generate-new-model-project), gestión de SLA para los componentes de la plataforma (objetivos de uptime / latencia / throughput), sistemas de cost-chargeback (seguimiento del uso de cómputo por equipo + facturación), documentación de onboarding + programas de formación para otros miembros de equipos de ML, gestión de compatibilidad hacia atrás de los componentes compartidos de la plataforma, contribución open-source a los componentes de la plataforma (p. ej. contribuciones a Feast / Kubeflow). Staff / Principal MLOps — aún más alto, típicamente gestionando un equipo de plataforma de ML (3-7 ingenieros MLOps + integraciones con DevOps / SRE / Data Platform leads). Elección de carrera: MLOps Engineer si te gusta estar hands-on con un problema nuevo cada día, ML Platform Engineer si te gusta construir sistemas reutilizables y trabajar con varios equipos consumidores. Las tres son vías Senior+ legítimas.
¿Por dónde empezar en MLOps en 2026?
Hoja de ruta: 1) Base sólida de DevOps: dominio de Linux + redes + bash, dominio de Docker (builds multietapa + optimización de capas + escaneo de seguridad), dominio profundo de Kubernetes (Deployment / Service / Ingress / PVC / RBAC / Network Policies / HPA + nociones de CRD propios). Libros: "Kubernetes in Action" de Lukša, "The Kubernetes Book" de Poulton. 2) Dominio de IaC: Terraform a fondo (módulos / gestión del estado / workspaces) + comprensión de los patrones específicos de cada proveedor cloud. Curso HashiCorp Learn (gratis). Patrones GitOps con ArgoCD / FluxCD. 4) Plataforma cloud a fondo: elige una entre AWS / GCP / Azure y aprueba la certificación Solutions Architect Associate / Professional. 5) Nociones de ML: mínimo imprescindible: Python + pandas + scikit-learn + PyTorch (nociones) + entender los bucles de entrenamiento / inferencia. Curso fast.ai "Practical Deep Learning" Part 1. "Designing Machine Learning Systems" de Chip Huyen: lectura obligada de MLOps en 2026 (para entender el flujo de ML desde el entrenamiento hasta el despliegue). 6) Seguimiento de experimentos + registro de modelos: dominio profundo de MLflow (Tracking + Registry + Projects + Models). Monta un MLflow autoalojado en EKS / GKE / AKS. 7) Stack de servicio de ML: Triton Inference Server (multiframework + dynamic batching) + BentoML + KServe. Servicio de LLM: dominio de vLLM (PagedAttention + continuous batching) + TGI + SGLang. 8) Feature Store: Feast (código abierto): móntalo de extremo a extremo en un proyecto de prueba (offline + online + recuperación). 9) Orquestación: uno de Airflow / Prefect / Dagster + nociones de Kubeflow Pipelines. 10) Monitorización de ML: Evidently AI (detección de drift + calidad de datos) + WhyLabs, Arize AI o Fiddler: uno a fondo. 11) Proyecto personal: despliegue de una plataforma de ML completa (clúster de K8s + MLflow + Feast + Triton + Prometheus + Grafana + Evidently AI) con un ciclo de vida de modelo sencillo (entrenar → registrar → desplegar → monitorizar → reentrenar). Documéntalo en el README de GitHub. 12) Contribución al código abierto: Feast / Kubeflow / MLflow / vLLM / Triton: aumenta mucho el valor del CV en MLOps. Cursos rusos: Karpov.Courses "MLOps", Otus "MLOps", itinerario MLOps de SkillFactory, intensivo de MLOps de Slurm. Internacional (EN): el curso "Made with ML" de MLOps de Goku Mohandas (gratis, exhaustivo), Hugging Face MLOps course, Coursera "MLOps Specialization" de DeepLearning.AI, Databricks Academy MLOps. Libros imprescindibles: "Designing Machine Learning Systems" de Chip Huyen, "Machine Learning Design Patterns" de Lakshmanan, "Reliable Machine Learning" de Cathy Chen. De DevOps Middle / ML Engineer Middle a Junior MLOps: 4-10 meses. De Backend Senior a Junior MLOps: 8-14 meses (hay que aprender el stack de ML).
¿Cuántas vacantes abiertas contiene esta muestra?
La muestra publicada contiene 354 vacantes abiertas tras agrupar las republicaciones. Es la misma cifra del indicador principal. La sección geográfica describe la cobertura de la muestra; no es una estimación de todo el mercado.
¿Qué skills necesita un Senior MLOps?
Un Senior MLOps es responsable del ciclo completo de ingeniería de la plataforma de ML + liderazgo técnico. Dominio de la programación: Python a fondo + Go como extra para la infraestructura crítica en rendimiento. Dominio de Docker: builds multietapa, optimización de capas, contenedores con GPU, escaneo de seguridad (Trivy / Snyk). Dominio profundo de Kubernetes: Deployment / Service / Ingress / PVC / RBAC / Network Policies / HPA / VPA / Cluster Autoscaler, nociones de CRDs personalizados, GPU Operator + Kubeflow Training Operator + Spark Operator + Argo Workflows. Dominio de IaC: Terraform a fondo (módulos / estado / workspaces), Pulumi / CloudFormation como extra. Dominio de GitOps: ArgoCD / FluxCD + patrones de Kustomize / Helm. Plataforma cloud a fondo: una de AWS / GCP / Azure a nivel de Solutions Architect Professional. Dominio de MLflow: personalización profunda + Plugins + patrones multi-tenant. Kubeflow Pipelines: despliegue a escala empresarial + componentes personalizados + multi-tenancy. Dominio de Feature Store: Feast a fondo (offline + online + recuperación + monitorización + multi-tenancy) o Tecton (gestionado). Dominio del serving de modelos: Triton Inference Server a fondo (ensembles + batching dinámico + repositorios de modelos) + BentoML + KServe. Dominio del serving de LLM (imprescindible en 2026): vLLM a fondo (PagedAttention + continuous batching + speculative decoding + optimización de la KV cache) + TGI + SGLang + Ollama. Plataformas de cómputo distribuido: dominio de Spark + Ray (Spark Operator sobre K8s, Ray Train + Ray Serve). Observabilidad a fondo: Prometheus + Grafana + Loki + OpenTelemetry + métricas personalizadas + estrategias de alertas. Monitorización de ML: patrones de integración de Evidently AI + WhyLabs / Arize AI / Fiddler. Dominio de la optimización de costes: estrategia de instancias spot + compartición de GPU (NVIDIA MIG) + integración de cuantización (INT8 / FP16 / FP4) + estrategias de caché (Redis para resultados de inferencia) + análisis de costes de inferencia por lotes frente a tiempo real + planificación de instancias reservadas. Dominio de la seguridad: gestión de secretos (Vault / KMS de la nube), network policies, seguridad de la cadena de suministro (imágenes firmadas), privacidad de los datos (manejo de PII en pipelines de ML). Diseño de sistemas para plataformas de ML: diseñar en pizarra plataformas de ML a escala de 100M+ predicciones/día + multi-tenant + multirregión. Soft: redacción de ADRs para decisiones de plataforma, redacción técnica (documentación de la plataforma + materiales de onboarding), code review para varios equipos, mentoría a MLOps Middle, colaboración entre equipos (DevOps / SRE / Data Platform / ML Engineer / DS / Investigación). Inglés para Senior+ IMPRESCINDIBLE: MLOps implica un trabajo intenso entre equipos en inglés. Extra opcional: contribuciones open source a Feast / Kubeflow / MLflow / vLLM / Triton: aumentan notablemente el valor de mercado para laboratorios de IA de frontera + empresas de plataformas de ML.
Dejar una solicitud
Describe la tarea y deja un contacto: la solicitud llega a nuestro CRM y respondemos al contacto que indiques.