Historial del chat

Usuario: Requiero una prueba tecnica para Cargo: Desarrollador de Machine Learning e Inteligencia Artificial Generativa

1. Objeto del Cargo

Desempenar el cargo de Desarrollador de Machine Learning e Inteligencia Artificial Generativa, realizando actividades de analisis, diseno, implementacion, integracion, puesta en marcha y mantenimiento de modelos de aprendizaje automatico y soluciones basadas en inteligencia artificial generativa, conforme a las directrices tecnicas y estrategicas establecidas por la Compania.

2. Funciones y Responsabilidades

• F-01 Disenar, desarrollar, entrenar y evaluar modelos de Machine Learning, incluyendo modelos supervisados, no supervisados y redes neuronales.
• F-02 Desarrollar soluciones basadas en IA generativa, incluyendo integracion de modelos de lenguaje (LLMs), embeddings, agentes, RAG y sistemas conversacionales.
• F-03 Preparar, transformar y depurar conjuntos de datos necesarios para el entrenamiento y validacion de modelos.
• F-04 Implementar APIs, microservicios o componentes tecnicos en Python y/o .NET, necesarios para la exposicion de los modelos en entornos corporativos.
• F-05 Construir pipelines de entrenamiento, inferencia y despliegue siguiendo practicas de MLOps, garantizando la reproducibilidad, trazabilidad y mantenimiento del ciclo de vida de los modelos.
• F-06 Integrar soluciones de IA con sistemas internos, plataformas cloud y herramientas tecnologicas definidas por la Compania.
• F-07 Documentar de manera clara y completa los desarrollos, experimentos, modelos, artefactos tecnicos y decisiones adoptadas durante el proceso de construccion de cada solucion.
• F-08 Realizar monitoreo y seguimiento de los modelos en produccion, identificando desviaciones, problemas de desempeno, necesidades de reentrenamiento o ajustes.
• F-09 Aplicar buenas practicas de seguridad, calidad de codigo, arquitectura de software y proteccion de datos.
• F-10 Participar en reuniones tecnicas, sesiones de levantamiento de requerimientos, revisiones de arquitectura y actividades relacionadas con proyectos de analitica avanzada, inteligencia artificial o automatizacion.

3. Competencias Requeridas

• C-01 Conocimientos en Machine Learning, modelos predictivos y modelado estadistico.
• C-02 Dominio de Python (pandas, numpy, scikit-learn, TensorFlow o PyTorch).
• C-03 Conocimientos en IA generativa y manejo de modelos como GPT, Llama, Mistral, entre otros.
• C-04 Habilidad para implementar soluciones basadas en RAG, embeddings y bases vectoriales.
• C-05 Competencias en desarrollo de APIs y microservicios en .NET y/o Python.
• C-06 Integracion con bases de datos SQL/NoSQL.
• C-07 Manejo de servicios cloud (preferiblemente Azure) para el despliegue de modelos.
• C-08 Experiencia con practicas de MLOps, versionamiento de experimentos, contenedores y CI/CD.
• C-09 Capacidad analitica, documentacion tecnica, comunicacion efectiva y trabajo en equipo.

Asistente: Listo. Ya te deje creada una prueba tecnica completa, profesional y alineada al perfil de Desarrollador de Machine Learning e Inteligencia Artificial Generativa.

• C-10 Enfoque en caso real de negocio, no ejercicios aislados.
• C-11 Evalua ML tradicional, IA generativa (LLMs, embeddings, RAG), APIs y MLOps.
• C-12 Incluye alcance claro, entregables, tiempos y rubrica de evaluacion.

Usuario: Ajustarla a Nivel Senior.

1. Objetivo de la Prueba

Evaluar competencias senior con enfasis en arquitectura, decisiones tecnicas, escalabilidad, MLOps avanzado, seguridad y vision estrategica.

2. Contexto del Caso

Construir una plataforma inteligente de soporte al conocimiento corporativo con analitica de datos, consulta de documentos con IA generativa, APIs productivas y buenas practicas de MLOps.

3. Alcance General

• S3-01 ML tradicional.
• S3-02 IA Generativa (LLM + embeddings + RAG).
• S3-03 API/microservicio.
• S3-04 Pipeline y buenas practicas de MLOps.

4. Parte A - Machine Learning (35%)

• S4-01 Analisis exploratorio con hallazgos accionables.
• S4-02 Feature engineering avanzado.
• S4-03 Comparacion de al menos dos enfoques.
• S4-04 Metricas alineadas al negocio.
• S4-05 Interpretabilidad (SHAP o similar).

5. Parte B - IA Generativa y RAG (40%)

• S5-01 Arquitectura RAG robusta y segura.
• S5-02 Chunking y embeddings justificados.
• S5-03 Base vectorial con criterio de seleccion.
• S5-04 Control de contexto y prevencion de alucinaciones.
• S5-05 Pipeline de ingesta desacoplado.
• S5-06 Respuestas citando fuentes.

6. Parte C - API y Arquitectura (15%)

• S6-01 API REST en Python (FastAPI) o .NET.
• S6-02 Separacion clara de capas.
• S6-03 Validaciones, logging y manejo de errores.

7. Parte D - MLOps y Buenas Practicas (10%)

• S7-01 Versionamiento de datos, modelos y experimentos.
• S7-02 Pipelines CI/CD para ML.
• S7-03 Monitoreo (drift, performance, costos).
• S7-04 Plan de reentrenamiento y rollback.

8. Documentacion (Obligatoria)

• S8-01 README con descripcion, arquitectura, instrucciones, decisiones y mejoras.

9. Tiempo Estimado

3 a 5 dias calendario.

10. Criterios de Evaluacion

11. Entrega

• S11-01 Repositorio Git (GitHub, GitLab o similar).
• S11-02 Codigo fuente, notebooks y documentacion.
• S11-03 Opcional: demo en video o screenshots.

Usuario: Buenisimo, ahora sugiereme un nombre para un repo.

Asistente: Se sugieren nombres en CamelCase; recomendacion final: AiMlGenerativeSeniorAssessment.

Usuario: Camel case.

Asistente: Opciones en PascalCase como AiMlGenerativeSeniorAssessment, EnterpriseAiTechnicalAssessment, etc.

Usuario: Se puede hacer un solo proyecto que tenga todos los enfoques.

Asistente: Si, se recomienda un monorepo modular con carpetas para ML, RAG, API, MLOps e infra.

Usuario: Sugiereme un nombre de repositorio para lo anterior con todos los enfoques.

Asistente: Recomendacion principal: AiMlGenerativePlatform.

Usuario: Segun el JD con Python es suficiente.

Asistente: Python es suficiente y recomendado para el JD; se propone monorepo 100% Python.