Objetivo del Cargo: Diseñar, evaluar y liderar las diferentes estrategias diseñando las arquitecturas de las soluciones con IA. Funciones y responsabilidades: Diseñar y crear la estructura completa de una solución de software, entendiendo con claridad los requerimientos, identificando los componentes claves, definiendo las interfaces entre estos y seleccionando las tecnologías apropiadas. Liderar la estrategia de DevSecOps diseñando las arquitecturas de las soluciones con un fuerte foco en seguridad, asegurando que las consideraciones de seguridad sean integradas desde el principio. Asegurar que las soluciones de software pueden manejar las cargas de trabajo requeridas en escenarios de aumento y mantener el desempeño óptimo bajo diferentes condiciones. Asegurar que cada componente de software cumple con sus funciones y responsabilidades de manera autónoma y puede integrarse y trabajar conjuntamente definiendo los protocolos de comunicación y los patrones de integración adecuados. Realizar la validación de las arquitecturas de referencia del cliente y evaluar la adherencia a dichas arquitecturas como posibles alternativas de solución. Establecer los estándares técnicos, mejores prácticas y líneas guías de codificación para mantener la consistencia y la calidad a través de todo el ciclo de vida de desarrollo. Asistir y direccionar los posibles riesgos técnicos, identificar y remediar vulnerabilidades de seguridad y sugerir medidas para mitigar potenciales amenazas. Trabajar de manera cercana con los equipos de Desarrollo proveyendo guía y soporte durante todo el ciclo de Desarrollo, fomentando las prácticas y resolviendo limitantes técnicos. Asegurar el cumplimiento de los pilares de DevSecOps desde el inicio del ciclo de Desarrollo. Definir como los componentes DevSecOps serán integrados a través de todo el ciclo de Desarrollo. Proveer guía y mentoría a líderes técnicos y desarrolladores, ayudándolos a entender la visión arquitectónica y guiarlos en su trabajo. Evaluar nuevas herramientas, frameworks y plataformas para determinar su relevancia y adaptarlas a las necesidades de las soluciones y las organizaciones. Asegurar el cumplimiento de las prácticas de construcción de software e ingeniería definidos. Analizar continuamente el desempeño de las soluciones y sugerir mejoras para aumentar la eficiencia y los tiempos de respuesta. Asegurar que las soluciones satisfacen los estándares relevantes de industria y cumplen con las regulaciones de protección de datos. Liderar y trabajar mano a mano con el equipo de desarrolladores durante el análisis, diseño, desarrollo, pruebas y despliegue operacional de las soluciones de software. Ejercer gobierno técnico y metodológico durante el ciclo de vida de desarrollo de software. Ejercer gobierno arquitectónico y de diseño sobre el portafolio de productos de software bajo su responsabilidad. Garantizar el cumplimiento de indicadores de calidad asociados al diseño y al código del portafolio de productos de software bajo su responsabilidad. Conocimientos requeridos: 1. Plataformas de Nube: Conocimientos generales de AWS y Google Cloud Platform (GCP) para entornos híbridos. 2. Lenguajes de Programación: Python: Dominio avanzado, especialmente en librerías de IA/ML como TensorFlow, PyTorch, Scikit-learn y NLTK. SQL: Para consultas y manipulación de bases de datos relacionales. Spark (para procesamiento distribuido de datos en Databricks). 3. Tecnologías y Herramientas de Machine Learning y Data Science: Databricks: Creación y optimización de pipelines de datos y modelos de ML. Azure Machine Learning: Gestión del ciclo de vida de modelos, entrenamiento y despliegue. RAG (Recuperación Aumentada con Generación): Técnicas y herramientas para la integración de sistemas de búsqueda y generación de texto en aplicaciones de IA. Vectorización: Herramientas y técnicas para el procesamiento de embeddings y búsqueda semántica. Modelos de IA Generativa: Familiaridad con modelos de lenguaje de última generación y técnicas de fine-tuning. 4. Bases de Datos y Almacenamiento: Relacionales: SQL Server. NoSQL: Cosmos DB, MongoDB (deseable). Data Lakes: Azure Data Lake para almacenamiento de grandes volúmenes de datos estructurados y no estructurados. Repositorios de Documentos: Integración con sistemas de almacenamiento documental en entornos de IA. 5. Contenerización y Orquestación: Docker: Para crear y gestionar contenedores de aplicaciones de IA. Kubernetes: Preferentemente Azure Kubernetes Service (AKS) para la orquestación de contenedores en entornos escalables de IA. 6. Pipelines de CI/CD y Herramientas de Automatización: Azure DevOps: Creación de pipelines para automatizar el despliegue de modelos y servicios de IA, pruebas y monitoreo en Azure. Git: Conocimiento avanzado en gestión de código, estrategias de ramificación y políticas de calidad (Github, Bitbucket o VSTS). 7. Servicios Cognitivos de Azure: Azure Cognitive Services: Uso de servicios de visión por computadora, análisis de texto, reconocimiento de voz, traducción y otros servicios cognitivos para enriquecer aplicaciones de IA. 8. Tecnologías de Integración de Mensajería: Azure Service Bus y Event Hubs: Para construir sistemas de mensajería y procesamiento de eventos en tiempo real. 9. Pruebas de IA y ML: Herramientas y técnicas para pruebas de rendimiento, carga, estrés y seguridad de modelos de IA, con conocimientos en frameworks de pruebas automáticas. 10. Seguridad y DevSecOps: Prácticas de DevSecOps en la nube, especialmente en la integración de medidas de seguridad durante el desarrollo y despliegue de modelos de IA. Condiciones deseables: Debe tener disponibilidad para viajar por solicitud del cliente. #J-18808-Ljbffr