Excited to grow your career?
 

BBVA is a global company with more than 160 years of history that operates in more than 25 countries where we serve more than 80 million customers. We are more than 121,000 professionals working in multidisciplinary teams with profiles as diverse as financiers, legal experts, data scientists, developers, engineers and designers.

Learn more about the area:
 

AI Innovation, dentro de AI Transformation, tiene la responsabilidad de conocer y explorar tanto nuevas tecnologías como nuevos modelos y soluciones de Inteligencia Artificial que puedan tener impacto y adopción por parte de BBVA.

Desde la creación de los Robots y la definición de The Frame como framework y habilitador clave para la escalabilidad de la IA, se requiere un esfuerzo grande tanto de investigación, como innovación como de supervisión estratégica y de “advisory” dentro de la organización.

Dentro de AI Innovation, se trabaja muy activamente con otros equipos clave como AI Tech, AI governance, Data for AI e Ingeniería

About the job:

Misión del puesto:

Buscamos a una persona para la posición de Principal Innovation in AI Engineering and Harness, con trayectoria sólida en arquitecturas cloud, en diseño, desarrollo e implantación de soluciones tecnológicas basadas en IA y/o ML, así como experiencia en el desarrollo de elementos y activos tecnológicos (harness) esenciales para construir y escalar soluciones de Inteligencia Artificial.

Se requiere experiencia técnica demostrada, conocer todas las fases del ciclo de vida de desarrollo de código usando agentes de IA. Se valorará también conocer herramientas desarrollo agéntico  como Claude Code o Codex.

Responsabilidades principales:

Experiencia en entornos y arquitecturas Cloud:

• Haber trabajado en AWS y GCP
• Entender los elementos clave de arquitecturas que soportan desarrollos y soluciones IA
• Haber construido algún harness agéntico para proyectos y soluciones de IA Generativa.

Experiencia en SDLC agéntico:

• Haber trabajado con herramientas como Claude Code
• Haber desarrollado alguna aplicación o prototipo utilizando este tipo de herramientas como Claude Code o Codex.
• Experiencia desplegando en infraestructura de contenedores (Kubernetes) de aplicaciones desarrolladas con IA.

Evaluación y experimentación con GenAI:

• Experiencia demostrada en proyectos de innovación y aplicación práctica de IA.
• Seleccionar y evaluar comparativamente modelos fundacionales para distintos casos de uso, incluidas aplicaciones de lenguaje, voz y soluciones multimodales.
• Diseñar y ejecutar planes de evaluación, definiendo métricas técnicas y de negocio y comparando modelos en distintos escenarios.
• Construir de forma iterativa datasets de entrenamiento, validación y evaluación.
• Adaptar modelos generativos y discriminativos mediante fine-tuning u otras técnicas equivalentes.

Desarrollo de soluciones basadas en LLMs y sistemas agénticos:

• Diseñar y desarrollar soluciones analíticas basadas en LLMs, incluidas arquitecturas que combinen varios modelos.
• Diseñar y desarrollar sistemas agénticos en los que los modelos interactúen con herramientas, APIs, fuentes de conocimiento externas y modelos de ML.
• Desarrollar flujos de razonamiento y orquestación de modelos, con planificación de tareas, uso de herramientas y composición de varios pasos de inferencia.
• Construir bases de conocimiento y datasets de dominio para alimentar modelos generativos.
• Crear sistemas donde los LLMs funcionen como interfaces inteligentes para interactuar con sistemas y datos corporativos.
• Desarrollar pipelines de inferencia y servicios backend; integrar modelos con sistemas y operativas del banco, incluidas APIs y sistemas corporativos.
• Participar en ciclos iterativos de experimentación, desde el prototipo hasta la solución productiva.

Investigación aplicada y transferencia de conocimiento:

• Explorar de forma continua avances en LLMs, modelos fundacionales, técnicas avanzadas de NLP y arquitecturas agénticas.
• Evaluar tecnologías y frameworks relevantes para soluciones de IA generativa.
• Comunicar conceptos técnicos a audiencias internas con distintos niveles de especialización.

Requisitos técnicos:

Machine Learning Engineering:

• Experiencia en el ciclo de vida completo de proyectos de ML y NLP: exploración de datos (EDA), construcción de datasets, selección y entrenamiento de modelos, evaluación y monitorización.
• Experiencia desarrollando soluciones analíticas productivas, pipelines de ML y servicios de inferencia.
• Experiencia en MLOps: automatización de pipelines, integración y despliegue continuo, observabilidad y monitorización de modelos.

Infraestructura y herramientas:

• Conocimiento de infraestructura como código (IaC), por ejemplo CloudFormation.
• Experiencia con Git y prácticas CI/CD para integración y despliegue de software.
• Programación en Python; se valorará experiencia con TypeScript o Node.js.
• Experiencia con frameworks de orquestación de LLMs y agentes, como LangGraph, Agents SDK, AWS Strands u otros equivalentes.
• Experiencia utilizando agentes de programación como Codex, Claude Code, Cursor, GitHub Copilot o herramientas similares.

Experiencia valorable:

• Experiencia en empresas de cloud como AWS o Google.
• Experiencia en equipos de Ingeniería y/o IT.
• Experiencia en entornos on-premise.
• Experiencia en sector bancario, como parte de la plantilla o en consultoría.

Competencias personales:

• Espíritu de equipo y capacidad para trabajar de forma colaborativa.
• Capacidad para explicar conceptos técnicos a perfiles no técnicos.
• Mentalidad analítica y orientación a la experimentación.Flexibilidad y adaptación a entornos tecnológicos en evolución.

Skills: