MLOps: mercado

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

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 (mandato típico: reducir un 30-50% los costes de cómputo mediante cuantización + caché + instancias spot). 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.

Principales 5: mlops, ci/cd, aws, cloud, docker. 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.

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).

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.

Sí, el 28% de los empleos de MLOps son full-remote o híbridos. El trabajo de MLOps es cloud (toda la infraestructura en K8s cloud / managed services). Las outsourcing shops (EPAM AI Platform / Luxoft / Andersen) — casi siempre remotas en proyectos de IA de EE. UU. Las empresas de producto rusas — híbrido o remoto tras el periodo de prueba. Los bancos rusos (Sber AI banking / VTB) — híbrido/oficina por el compliance de seguridad. Las empresas de ML-platform internacionales (Truefoundry / Bento / Weights & Biases / Comet / Domino Data Lab / Determined AI / Run:AI) — full-remote estándar. Big Tech ML Platform — híbrido estándar, parcialmente remoto. Hubs de relocación para MLOps: Polonia (Varsovia / Cracovia — AI Platform-friendly), Alemania (Berlín / Múnich), Canadá (Toronto), Serbia, Georgia, EAU. Inglés para el remoto internacional de MLOps — obligatorio (prima +30-50%, y MLOps implica una colaboración intensa entre equipos en inglés).

MLOps Engineer (general) — can work in any ML team (product team / research lab / AI consultancy). Stack: universal MLOps. ML Platform Engineer — Senior MLOps with focus on reusable platform-as-product for the whole organisation (not for a single team). On top of that: internal API design (for other ML Engineers / DS), self-service tools (templates / scaffolding / CLI tools — like generate-new-model-project), SLA management for platform components (uptime / latency / throughput targets), cost-chargeback systems (per-team compute usage tracking + billing), onboarding documentation + training programmes for other ML team members, backwards-compatibility management for shared platform components, open-source contribution to platform components (e.g. Feast / Kubeflow contributions). Staff / Principal MLOps — even higher, typically managing an ML platform team (3-7 MLOps engineers + integrations with DevOps / SRE / Data Platform leads). Career choice: MLOps Engineer if you like being hands-on with a new problem every day, ML Platform Engineer if you like building reusable systems and working with multiple consumer teams. All three are legitimate Senior+ paths.

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).

207 active open MLOps positions — growing ML-infrastructure niche. Geography: the US, Poland, the UK. The real market is broader thanks to the international remote segment (ML-platform companies — Truefoundry / Bento / W&B / Comet / Determined AI / Domino Data Lab + AI-startup MLOps teams — full-remote standard). Time to close a Senior MLOps role — 5-10 weeks (faster than Research, slower than DevOps general due to rare ML-skill combination). MLOps — the most "recession-resistant" AI/ML niche (companies cut research first, MLOps continuously needed for production).

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. Mandato típico de un Senior MLOps: reducir los costes de cómputo un 30-50% combinando estas técnicas. 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.