Software Engineer Machine Learning — Remoto - Global — AI Video Platform - Python, TensorFlow, PyTorch, Computer Vision

Descripción del puesto

Sobre la vacante

Synthesia, tras una ronda de financiación Serie E de $200M, está escalando rápidamente su plataforma de video con IA y construyendo nuevos productos empresariales. Buscan Software Engineers en Machine Learning para unirse a un equipo que redefine cómo se comparte el conocimiento en las mejores empresas del mundo. La posición es remota global con oportunidades en múltiples áreas como generación de video, avatares interactivos y procesamiento de datos.

Requisitos clave:

• Experiencia en desarrollo de modelos de machine learning
• Conocimiento en frameworks como TensorFlow o PyTorch
• Background en computer vision, NLP o video processing
• Capacidad para trabajar en productos escalables de IA

Beneficios mencionados:

• Unirse a una startup en hipercrecimiento con respaldo de capital de riesgo
• Trabajar en tecnología de vanguardia en IA generativa
• Cultura de innovación y alto impacto
• Equipo distribuido globalmente

¿Por qué deberías aplicar?

Esta es una oportunidad única para trabajar en una de las empresas más innovadoras del espacio de IA generativa para video. Synthesia está redefiniendo cómo las empresas crean contenido, entrenan equipos y comparten conocimiento a escala. Aprenderás de líderes en el campo, trabajarás con datasets masivos y contribuirás a productos que están transformando industrias enteras. El crecimiento profesional es exponencial en una empresa que acaba de levantar $200M y está expandiéndose agresivamente.

Tips y consejos de VacantesDigitales.com

Skills indispensables

• Técnicas: Python avanzado, TensorFlow/PyTorch, computer vision, procesamiento de video, arquitecturas de deep learning
• Soft skills: Pensamiento crítico para problemas de IA, comunicación de conceptos técnicos complejos, colaboración en equipos distribuidos

Tips prácticos para este puesto

• Portafolio de proyectos: Muestra proyectos reales de ML, preferiblemente con componentes de video o multimedia
• Prepara casos de estudio: Ten ejemplos concretos de cómo optimizaste modelos, manejaste datasets grandes o resolviste problemas de escalabilidad
• Domina los fundamentals: Asegúrate de entender bien los conceptos detrás de las arquitecturas que usas, no solo la implementación

Recursos recomendados

• Tools: TensorFlow Extended (TFX), PyTorch Lightning, MLflow, Weights & Biases
• Documentación: Papers de Google Research sobre video generation, OpenAI CLIP, Stable Diffusion architecture
• Influencers: Andrej Karpathy, Lex Fridman (podcasts sobre IA), investigadores de DeepMind
• Cursos: Fast.ai Practical Deep Learning, Stanford CS231n (Computer Vision)

Preguntas frecuentes en entrevistas para este rol

• "Walk me through your most complex ML project from end to end" - Tip: Estructura tu respuesta con problema, dataset, arquitectura, entrenamiento, evaluación y deployment
• "How would you handle overfitting in a video generation model?" - Tip: Menciona técnicas específicas como data augmentation temporal, regularization en redes recurrentes, y validación cruzada por secuencias
• "Explain the trade-offs between using GANs vs Diffusion Models for video synthesis" - Tip: Demuestra conocimiento práctico de ambas arquitecturas, hablando de calidad, estabilidad de entrenamiento y requisitos computacionales

Rango salarial estimado (LATAM)

Basado en datos de Glassdoor, Computrabajo, GetOnBoard y el mercado actual: | Nivel | Rango mensual USD | |-------|-------------------| | Junior | $3,000 - $5,000 | | Mid | $5,000 - $8,000 | | Senior | $8,000 - $15,000 |

*Nota: Synthesia siendo empresa global con funding reciente, probablemente ofrece salarios en el rango alto. Para posiciones remotas internacionales, empresas de USA/EU pagando en LATAM suelen ofrecer 30-50% más que el mercado local.*

Red flags a considerar

• Bandera roja 1: Falta de infraestructura ML sólida - Pregunta en la entrevista sobre su MLOps pipeline, cómo versionan modelos y datos, y qué herramientas usan para monitoring
• Bandera roja 2: Expectativas poco realistas sobre IA - Investiga si tienen casos de uso validados o si están en fase de experimentación pura. Pregunta sobre métricas de éxito concretas
• Bandera roja 3: Equipo de ML subdimensionado - Señal de advertencia común en startups: si un equipo pequeño debe cubrir demasiadas áreas (computer vision, NLP, recommendation systems). Pregunta sobre la estructura del equipo y distribución de responsabilidades