Formación Académica
Titulación superior en informática, telecomunicaciones, ingeniería de software, matemáticas, física u otra ingeniería relevante. Se valorará especialmente formación avanzada (máster o doctorado) en inteligencia artificial, seguridad, privacidad, ingeniería de fiabilidad, sistemas críticos, gestión del riesgo o auditoría/aseguramiento de sistemas.
Competencias técnicas esenciales
Experiencia en el aseguramiento, validación y gobernanza de sistemas de IA (ML, DL y GenAI), garantizando el cumplimiento de criterios de fiabilidad, seguridad, explicabilidad, robustez, privacidad y alineamiento con requisitos regulatorios y corporativos.
- Conocimiento profundo de los principios de IA confiable (Trustworthy AI) y su operacionalización:
- Robustez y seguridad
- Explicabilidad e interpretabilidad
- Equidad y mitigación de sesgos
- Transparencia
- Responsabilidad y gobernanza
- Seguridad frente a usos indebidos
- Privacidad y protección de datos (minimización, anonimización/pseudonimización, evaluación de riesgos de reidentificación)
- Supervisión humana y control (human-in-the-loop, límites operacionales, mecanismos de override, criterios de parada)
- Capacidad para definir y ejecutar procesos de gestión del riesgo de IA: identificación de peligros, análisis de impacto, clasificación de casos de uso, definición de controles, evidencias de verificación/validación, trazabilidad de requisitos y gestión de desviaciones.
- Experiencia en evaluación y validación de modelos (ML/DL/GenAI) mediante:
- métricas de robustez
- análisis de generalización
- pruebas de estrés
- evaluación de comportamiento en edge cases
- validación de datasets
- Conocimiento de técnicas de explainable AI (XAI) y generación de evidencias interpretables: SHAP, LIME, Grad-CAM, feature attribution, contrafactuales y análisis de sensibilidad.
- Experiencia elaborando documentación y artefactos de assurance: Model Cards, Datasheets for Datasets, System Cards, registros de decisiones, trazabilidad de requisitos y evidencias de test.
- Capacidad para definir frameworks internos de AI assurance
- Experiencia con herramientas de evaluación, observabilidad y monitorización: Evidently, WhyLabs, Deepchecks, MLflow y herramientas de model monitoring/alerting
- Dominio de Python para análisis, evaluación y validación de modelos
- Experiencia con bibliotecas de machine learning como: scikit-learn, PyTorch, TensorFlow (y frameworks de evaluación/experimentos asociados)
- Familiaridad con herramientas de: MLOps, CI/CD, pipelines de datos, reproducibilidad, versionado de modelos y datos
- Capacidad para analizar pipelines completos de IA desde el dato hasta el despliegue
Habilidades de Comunicación
- Nivel avanzado de inglés escrito y hablado (imprescindible)
- Capacidad para comunicar resultados técnicos a audiencias diversas (negocio, ingeniería, ciberseguridad, legal/compliance), y para defender evidencias en revisiones y auditorías.
Experiencia valorada en entornos regulados o de sistemas críticos: aunque no es imprescindible, se valorará conocimiento en aeronáutica/ATM u otros dominios con requisitos altos de seguridad, certificación y trazabilidad.
