Arquitecto/a de Sistemas Autónomos e Ingeniería de IA Agéntica
Hace 2 días
Tarragona, Cataluña, España
KA Resources Recruitment SL
Jornada completa
Gratis con email o Google
Guarda esta oferta y sigue tu búsqueda
Crea una cuenta gratis para guardar empleos, crear alertas y volver a esta oferta desde tu panel.
Gratis con email o Google
Al continuar, aceptas nuestros Términos & Política de Privacidad.
En KA Resources buscamos un/a profesional con inglés avanzado que lidere el diseño y la implantación de sistemas completos de IA agéntica (Agentic AI), siendo responsable de toda la arquitectura, desde la gestión del conocimiento hasta el razonamiento cognitivo y la ejecución autónoma.
* Modalidad remoto.
* Horario de oficina habitual.
* Formar parte de un gran equipo con proyección de carrera y ambiciosos objetivos.
*
Salario:
70-90k b/a La persona seleccionada será responsable de construir una arquitectura de IA multicapa en la que los agentes sean capaces de:
* Comprender el contexto empresarial (capa de conocimiento).
* Razonar y planificar (capa cognitiva).
* Ejecutar acciones de forma autónoma (capa agéntica).
* Mejorar continuamente mediante mecanismos de retroalimentación y medición del rendimiento. No buscamos desarrollar funcionalidades aisladas de IA, sino diseñar un auténtico sistema operativo de IA para la empresa. Responsabilidades principales
* Diseñar y poner en producción toda la arquitectura de IA agéntica.
* Construir componentes y capas reutilizables para soluciones de IA.
* Habilitar flujos de trabajo empresariales autónomos, escalables, gobernados y de alto rendimiento. 1. Gestión del conocimiento y capa semántica.
* Definir la estrategia de ingestión, organización y estructuración del conocimiento empresarial.
* Diseñar pipelines para integrar:
* Datos estructurados y no estructurados.
* Documentación, APIs y flujos de datos en tiempo real.
* Establecer:
* Modelos de metadatos.
* Arquitectura para el consumo de ontologías y modelos semánticos.
* Garantizar que el conocimiento sea contextual, consumible por la IA y se mantenga actualizado de forma continua. Objetivo: construir una base de conocimiento empresarial dinámica, fiable y preparada para la IA.
* Agentes.
* Herramientas y APIs.
* Capacidades y habilidades. Facilitar la reutilización y descubrimiento de:
* Flujos de trabajo.
* Modelos de IA. Construir un sistema donde los agentes puedan descubrir e invocar otros agentes y herramientas. Objetivo: crear una capa de capacidades de IA componible y autoservicio. 3. Marco de toma de decisiones Inteligencia generativa Orquestación de modelos LLM para:
* Generación de contenido.
* Creación de hipótesis.
* Razonamiento en lenguaje natural. Gestionar estrategias multimodelo optimizando:
* Rendimiento. Inteligencia lógica y determinista
* Motores de reglas.
* Razonamiento matemático.
* Lógica de procesos.
* Integración con modelos de IA y Machine Learning.
* Cumplimiento normativo.
* Calidad y precisión de los modelos. Desarrollar sistemas híbridos que combinen:
* Capacidades de razonamiento de los LLM. Objetivo: equilibrar creatividad y fiabilidad en la toma de decisiones basada en IA. 4. Capa agéntica (diseño de sistemas autónomos) Diseñar arquitecturas de:
* Sistemas monoagente y multiagente.
* Modelos jerárquicos y colaborativos.
* Bucles de ejecución.
* Descomposición y coordinación de tareas. Permitir que los agentes:
* Ejecuten acciones sobre sistemas corporativos.
* Aprendan continuamente mediante mecanismos de feedback. Objetivo: desarrollar flujos de trabajo autónomos preparados para entornos de producción. 5. Capa de integración agéntica Diseñar la integración con:
* Sistemas de RR. HH.
* Plataformas de datos y APIs. Construir marcos seguros para que los agentes puedan:
* Orquestar APIs.
* Operar mediante arquitecturas dirigidas por eventos.
* Ejecutar transacciones reales de negocio. Objetivo: transformar la IA desde la generación de conocimiento hasta la ejecución de acciones. 6. Data Mesh y arquitectura distribuida de datos Alinear la arquitectura de IA con principios de Data Mesh. Garantizar:
* Propiedad distribuida de los datos por dominio.
* Descubrimiento de datos. Objetivo: proporcionar una base de datos escalable y alineada con el negocio para soportar la IA. 7. Gobierno, seguridad y control Definir el marco de gobierno para:
* Toma de decisiones autónoma.
* Acceso y privacidad de los datos.
* Control de acceso basado en roles para agentes.
* Mecanismos Human-in-the-Loop.
* Auditoría.
* Explicabilidad de los modelos. Garantizar el cumplimiento de los estándares regulatorios y corporativos. Objetivo: desarrollar sistemas de IA fiables, seguros y controlables. 8. Rendimiento, FinOps, observabilidad y optimización Definir y monitorizar indicadores como:
* Tasa de éxito de las tareas.
* Nivel de autonomía de los agentes.
* Coste por ejecución.
* Latencia.
* Capacidad de procesamiento. Construir herramientas de observabilidad para analizar:
* Comportamiento de los agentes.
* Modos de fallo. Optimizar el rendimiento mediante:
* Bucles de retroalimentación. Objetivo: garantizar operaciones de IA eficientes, escalables y fiables. 9. Ingeniería de plataforma y frameworks reutilizables Desarrollar una plataforma de IA agéntica que incluya:
* Frameworks y plantillas para agentes.
* Repositorio y catálogo de agentes.
* Capas de orquestación.
* SDKs y aceleradores de desarrollo. Co
* Modalidad remoto.
* Horario de oficina habitual.
* Formar parte de un gran equipo con proyección de carrera y ambiciosos objetivos.
*
Salario:
70-90k b/a La persona seleccionada será responsable de construir una arquitectura de IA multicapa en la que los agentes sean capaces de:
* Comprender el contexto empresarial (capa de conocimiento).
* Razonar y planificar (capa cognitiva).
* Ejecutar acciones de forma autónoma (capa agéntica).
* Mejorar continuamente mediante mecanismos de retroalimentación y medición del rendimiento. No buscamos desarrollar funcionalidades aisladas de IA, sino diseñar un auténtico sistema operativo de IA para la empresa. Responsabilidades principales
* Diseñar y poner en producción toda la arquitectura de IA agéntica.
* Construir componentes y capas reutilizables para soluciones de IA.
* Habilitar flujos de trabajo empresariales autónomos, escalables, gobernados y de alto rendimiento. 1. Gestión del conocimiento y capa semántica.
* Definir la estrategia de ingestión, organización y estructuración del conocimiento empresarial.
* Diseñar pipelines para integrar:
* Datos estructurados y no estructurados.
* Documentación, APIs y flujos de datos en tiempo real.
* Establecer:
* Modelos de metadatos.
* Arquitectura para el consumo de ontologías y modelos semánticos.
* Garantizar que el conocimiento sea contextual, consumible por la IA y se mantenga actualizado de forma continua. Objetivo: construir una base de conocimiento empresarial dinámica, fiable y preparada para la IA.
* Agentes.
* Herramientas y APIs.
* Capacidades y habilidades. Facilitar la reutilización y descubrimiento de:
* Flujos de trabajo.
* Modelos de IA. Construir un sistema donde los agentes puedan descubrir e invocar otros agentes y herramientas. Objetivo: crear una capa de capacidades de IA componible y autoservicio. 3. Marco de toma de decisiones Inteligencia generativa Orquestación de modelos LLM para:
* Generación de contenido.
* Creación de hipótesis.
* Razonamiento en lenguaje natural. Gestionar estrategias multimodelo optimizando:
* Rendimiento. Inteligencia lógica y determinista
* Motores de reglas.
* Razonamiento matemático.
* Lógica de procesos.
* Integración con modelos de IA y Machine Learning.
* Cumplimiento normativo.
* Calidad y precisión de los modelos. Desarrollar sistemas híbridos que combinen:
* Capacidades de razonamiento de los LLM. Objetivo: equilibrar creatividad y fiabilidad en la toma de decisiones basada en IA. 4. Capa agéntica (diseño de sistemas autónomos) Diseñar arquitecturas de:
* Sistemas monoagente y multiagente.
* Modelos jerárquicos y colaborativos.
* Bucles de ejecución.
* Descomposición y coordinación de tareas. Permitir que los agentes:
* Ejecuten acciones sobre sistemas corporativos.
* Aprendan continuamente mediante mecanismos de feedback. Objetivo: desarrollar flujos de trabajo autónomos preparados para entornos de producción. 5. Capa de integración agéntica Diseñar la integración con:
* Sistemas de RR. HH.
* Plataformas de datos y APIs. Construir marcos seguros para que los agentes puedan:
* Orquestar APIs.
* Operar mediante arquitecturas dirigidas por eventos.
* Ejecutar transacciones reales de negocio. Objetivo: transformar la IA desde la generación de conocimiento hasta la ejecución de acciones. 6. Data Mesh y arquitectura distribuida de datos Alinear la arquitectura de IA con principios de Data Mesh. Garantizar:
* Propiedad distribuida de los datos por dominio.
* Descubrimiento de datos. Objetivo: proporcionar una base de datos escalable y alineada con el negocio para soportar la IA. 7. Gobierno, seguridad y control Definir el marco de gobierno para:
* Toma de decisiones autónoma.
* Acceso y privacidad de los datos.
* Control de acceso basado en roles para agentes.
* Mecanismos Human-in-the-Loop.
* Auditoría.
* Explicabilidad de los modelos. Garantizar el cumplimiento de los estándares regulatorios y corporativos. Objetivo: desarrollar sistemas de IA fiables, seguros y controlables. 8. Rendimiento, FinOps, observabilidad y optimización Definir y monitorizar indicadores como:
* Tasa de éxito de las tareas.
* Nivel de autonomía de los agentes.
* Coste por ejecución.
* Latencia.
* Capacidad de procesamiento. Construir herramientas de observabilidad para analizar:
* Comportamiento de los agentes.
* Modos de fallo. Optimizar el rendimiento mediante:
* Bucles de retroalimentación. Objetivo: garantizar operaciones de IA eficientes, escalables y fiables. 9. Ingeniería de plataforma y frameworks reutilizables Desarrollar una plataforma de IA agéntica que incluya:
* Frameworks y plantillas para agentes.
* Repositorio y catálogo de agentes.
* Capas de orquestación.
* SDKs y aceleradores de desarrollo. Co