Lista de verificación ATS para currículums de ingenieros de IA

El Bureau of Labor Statistics proyecta un crecimiento del empleo del 20 % para científicos de investigación en computación e información (SOC 15-1221) hasta 2034, casi siete veces el promedio del 3 % de todas las ocupaciones, con un salario anual medio de 140.910 $ y los mejores perfiles superando los 232.120 $ ^[1][2]. Mientras tanto, las ofertas de empleo relacionadas con IA subieron del 1,4 % al 1,8 % del total de ofertas en EE. UU. entre 2023 y 2024, según el Stanford AI Index Report, con Python como la competencia especializada más demandada ^[3]. Ese aumento significa más candidaturas por vacante, filtros de palabras clave ATS más agresivos —la encuesta de Jobscan de 2025 reveló que el 99,7 % de los reclutadores usa filtros ATS para clasificar candidatos, y el 76,4 % comienza filtrando por habilidades ^[4]— y más currículums rechazados por software antes de que un gerente de contratación lea una sola línea sobre tu experiencia en arquitecturas transformer.

Esta lista de verificación cubre reglas de análisis ATS, estrategias de palabras clave, requisitos de formato y técnicas de optimización específicas para ingenieros de IA en aprendizaje automático, aprendizaje profundo, NLP, visión por computadora, IA generativa y MLOps.

Puntos clave

• Las palabras clave específicas de frameworks determinan el ranking ATS. PyTorch aparece en el 37,7 % de las ofertas de ingeniería de IA y TensorFlow en el 32,9 %. Escribir solo «frameworks de aprendizaje profundo» sin nombrarlos hace que pierdas ambas coincidencias ^[5].
• Las métricas cuantificadas del modelo separan currículums clasificados de los rechazados. Reducciones en la latencia de inferencia (de 340 ms a 45 ms), mejoras en la precisión (F1 de 0,72 a 0,91), tamaños de datasets (2,3 millones de muestras etiquetadas) y porcentajes de utilización de GPU (78 % de eficiencia del clúster) se indexan como texto buscable en el ATS y comunican inmediatamente tu nivel de impacto a los revisores humanos.
• Las competencias de MLOps y despliegue son ahora requisitos básicos. Docker aparece en el 15,4 % y Kubernetes en el 17,6 % de las ofertas de IA. Los candidatos que solo enumeran habilidades de investigación sin experiencia en producción quedan excluidos de la mayoría de los puestos del sector ^[5:1].
• Las certificaciones cloud funcionan como palabras clave ATS de alta señal. Las certificaciones Google Professional Machine Learning Engineer y AWS Machine Learning aparecieron en un 40 % más de ofertas que las credenciales alternativas en 2025 ^[6].
• El cumplimiento del formato previene el rechazo silencioso. Tablas, diseños a dos columnas, barras gráficas de habilidades y contenido en encabezados o pies de página provocan que los parsers ATS mezclen campos o eliminen secciones enteras: tu trabajo de optimización CUDA desaparece antes de que alguien lo lea ^[4:1].

Palabras clave ATS comunes para ingenieros de IA

Las siguientes palabras clave provienen de las descripciones de tareas O*NET para SOC 15-1221, el análisis de más de 3.000 ofertas de empleo de ingeniería de IA ^[5:2] y documentación actualizada de frameworks y plataformas ^[7][8]. Organízalas por categorías en tu currículum en lugar de listarlas en un solo bloque.

Competencias técnicas

Lenguajes de programación: Python (71 % de las ofertas), C++ (código optimizado para GPU), Java (22 % de las ofertas), Rust (motores de inferencia), SQL (17,1 % de las ofertas), JavaScript/TypeScript (capas de API), Go (microservicios), Bash/Shell scripting ^[5:3]

Frameworks de aprendizaje profundo: PyTorch, TensorFlow, JAX, Keras, ONNX, TensorRT, Hugging Face Transformers, spaCy, scikit-learn, XGBoost, LightGBM

Herramientas de IA generativa y LLM: LangChain, LlamaIndex, Hugging Face (Model Hub, tokenizers, datasets), OpenAI API, Anthropic Claude API, Retrieval-Augmented Generation (RAG), bases de datos vectoriales (Pinecone, Weaviate, ChromaDB, Milvus, Qdrant), ingeniería de prompts, ajuste fino (LoRA, QLoRA, PEFT), RLHF ^[8:1]

MLOps e infraestructura: Docker, Kubernetes, MLflow, Kubeflow, Weights & Biases, Ray, Airflow, DVC (Data Version Control), Seldon Core, BentoML, TorchServe, Triton Inference Server, GitHub Actions, Jenkins, Terraform

Plataformas cloud: AWS (SageMaker, Bedrock, Lambda, EC2, S3), Google Cloud (Vertex AI, TPU, BigQuery), Azure (Azure ML, Azure OpenAI Service, Cognitive Services) ^[5:4]

Ingeniería de datos: Apache Spark, Kafka, Snowflake, Databricks, dbt, Pandas, NumPy, Polars, Delta Lake, Feast (feature store)

GPU y cómputo: CUDA, cuDNN, NVIDIA A100/H100, entrenamiento distribuido (DeepSpeed, FSDP, Horovod), entrenamiento con precisión mixta (FP16/BF16), paralelismo de modelo, paralelismo de datos

Habilidades interpersonales

Colaboración interfuncional (producto, ingeniería, ciencia de datos), documentación técnica, implementación de artículos de investigación, comunicación con interesados, diseño de experimentos, revisión de código, mentoría de ingenieros junior, metodología Agile/Scrum, redacción técnica, presentaciones en conferencias

Términos del sector y metodologías

Conceptos fundamentales de ML: Aprendizaje supervisado, aprendizaje no supervisado, aprendizaje por refuerzo, transfer learning, few-shot learning, zero-shot learning, aprendizaje auto-supervisado, aprendizaje contrastivo, mecanismo de atención, arquitectura transformer, red neuronal convolucional (CNN), red neuronal recurrente (RNN), red generativa adversarial (GAN), modelo de difusión, autoencoder variacional (VAE)

Terminología de NLP: Reconocimiento de entidades nombradas (NER), análisis de sentimiento, clasificación de texto, respuesta a preguntas, resumen, traducción automática, tokenización, embeddings (word2vec, BERT, sentence-transformers), búsqueda semántica, clasificación de intenciones

Terminología de visión por computadora: Detección de objetos (YOLO, Faster R-CNN), segmentación de imágenes (U-Net, Mask R-CNN), clasificación de imágenes, estimación de poses, reconocimiento óptico de caracteres (OCR), comprensión de video, reconstrucción 3D

Evaluación y métricas: Precisión, recall, F1 score, AUC-ROC, BLEU score, perplejidad, latencia de inferencia, rendimiento (tokens/segundo), tamaño del modelo (cantidad de parámetros), FLOPS, pruebas A/B, significancia estadística

Requisitos de formato del currículum

Los parsers ATS leen documentos secuencialmente —de izquierda a derecha, de arriba abajo— y asignan contenido a campos de bases de datos según el reconocimiento de encabezados de sección ^[4:2]. Los currículums de ingenieros de IA enfrentan riesgos de análisis específicos porque el contenido técnico suele incluir fragmentos de código, diagramas de arquitectura y notación matemática que el ATS no puede interpretar.

Formato de archivo

Envía el archivo como .docx a menos que la oferta solicite expresamente PDF. Los documentos de Word se analizan de forma más fiable en todas las plataformas ATS principales (Workday, Greenhouse, Lever, iCIMS, Taleo). Si se requiere PDF, expórtalo desde Word en lugar de diseñarlo en LaTeX o una herramienta de maquetación, para conservar la capa de texto que lee el ATS. Los PDF generados con LaTeX pueden verse correctamente para los humanos, pero contienen codificaciones de fuentes que algunos parsers ATS interpretan mal.

Estructura del diseño

• Solo una columna. Los diseños a dos columnas hacen que el ATS intercale contenido de las columnas izquierda y derecha. Una barra lateral con bibliotecas de Python junto al historial laboral se fusionará de forma impredecible.
• Sin tablas, cuadros de texto ni gráficos. Los ingenieros suelen usar tablas para organizar matrices de competencias en frameworks o diagramas de arquitectura. El ATS lee las celdas de las tablas en orden impredecible o las omite por completo.
• Sin encabezados ni pies de página para contenido crítico. Tu nombre, credenciales y datos de contacto deben estar en el cuerpo del documento: el 25 % de las plataformas ATS ignora el contenido de encabezados y pies de página durante el análisis ^[9].
• Encabezados de sección estándar. Usa exactamente: «Resumen profesional», «Experiencia profesional», «Competencias técnicas», «Formación», «Certificaciones», «Proyectos» (opcional). Evita encabezados no estándar como «Arsenal ML» o «Herramientas de investigación».
• Sin bloques de código ni notación matemática. El ATS no puede analizar formato de código en línea, ecuaciones LaTeX ni símbolos matemáticos Unicode. Escribe «entrené un modelo transformer de 7.000 millones de parámetros» en lugar de incluir notación de arquitectura.

Fuente y espaciado

Usa una fuente estándar de 10–12 puntos (Calibri, Arial, Times New Roman, Garamond). Márgenes mínimos de 1,27 cm. Evita fuentes condensadas o monoespaciadas. Usa negrita solo para encabezados de sección y cargos; evita cursiva en palabras clave importantes, ya que algunas capas OCR interpretan mal los caracteres en cursiva.

Encabezado con nombre y credenciales

Formatea tu nombre con credenciales en la primera línea del cuerpo del documento:

SARAH CHEN, MS
Ingeniera de IA | Aprendizaje automático y NLP
[email protected] | (555) 234-5678 | linkedin.com/in/sarahchenml | github.com/sarahchen

Esto garantiza que el ATS capture tu especialización en el campo de título y tu perfil de GitHub como cadena de texto buscable. Incluir tanto LinkedIn como GitHub cubre las dos plataformas que los reclutadores de ingeniería de IA consultan con más frecuencia.

Optimización de la experiencia profesional

Los logros en ingeniería de IA se vuelven competitivos para el ATS cuando incluyen métricas de modelos, escala de infraestructura, tamaños de datasets e impacto en el negocio. Descripciones genéricas como «construí modelos de aprendizaje automático» no contienen diferenciadores buscables.

Fórmula para las viñetas

[Verbo de acción] + [entregable de ML] + [framework/herramienta] + [métrica de escala] + [resultado/impacto]

Ejemplos de antes y después

1. Entrenamiento de modelos

• Antes: «Entrené modelos de aprendizaje profundo para clasificación de texto»
• Después: «Entrené un modelo de clasificación de texto basado en BERT en PyTorch con 1,8 millones de documentos etiquetados, mejorando el F1 score de 0,76 a 0,93 y reduciendo la carga de revisión manual en 340 horas de analista al mes»

2. Despliegue de LLM

• Antes: «Desplegué modelos de lenguaje en producción»
• Después: «Desplegué el modelo LLaMA 2 13B ajustado en AWS SageMaker con optimización TensorRT, reduciendo la latencia de inferencia de 340 ms a 45 ms por solicitud con 12.000 usuarios activos diarios y un 99,7 % de disponibilidad»

3. Pipeline de RAG

• Antes: «Construí un chatbot usando IA»
• Después: «Diseñé un pipeline de Retrieval-Augmented Generation con LangChain, base de datos vectorial Pinecone y GPT-4, indexando 450.000 documentos internos y alcanzando un 91 % de precisión en consultas específicas del dominio, medido con un conjunto de prueba de 2.000 preguntas anotadas por expertos»

4. Visión por computadora

• Antes: «Trabajé en proyectos de visión por computadora»
• Después: «Desarrollé un sistema de detección de defectos basado en YOLOv8 en PyTorch que procesa 2.400 imágenes de manufactura por hora en NVIDIA A100, alcanzando un 96,2 % de mAP@0,5 y reduciendo la tasa de falsos positivos del 8,3 % al 1,1 %, con un ahorro de 2,1 millones de dólares anuales en costos de inspección manual»

5. Pipeline de MLOps

• Antes: «Configuré infraestructura de ML»
• Después: «Construí un pipeline de MLOps de extremo a extremo con Kubeflow, MLflow y GitHub Actions que automatiza entrenamiento, evaluación y despliegue de 14 modelos en producción, reduciendo el ciclo de actualización de 3 semanas a 48 horas con detección automática de drift mediante Evidently AI»

6. Pipeline de datos

• Antes: «Procesé datos para aprendizaje automático»
• Después: «Diseñé un pipeline de features en Apache Spark que procesa 2,3 TB de datos de clickstream diarios, genera 847 features almacenadas en Feast feature store y reduce el tiempo de preparación de datos de entrenamiento de 6 horas a 22 minutos»

7. Sistema de NLP

• Antes: «Construí modelos de NLP»
• Después: «Desarrollé un sistema multilingüe de NER con spaCy y Hugging Face Transformers compatible con 8 idiomas, extrayendo 23 tipos de entidades de 500.000 documentos clínicos con un F1 a nivel de entidad de 94,7 %, desplegado mediante microservicio FastAPI que gestiona 1.200 solicitudes por minuto»

8. Optimización de GPU

• Antes: «Optimicé la velocidad de entrenamiento del modelo»
• Después: «Implementé entrenamiento distribuido con PyTorch FSDP en 32 GPUs NVIDIA A100, reduciendo el tiempo de entrenamiento de un modelo de lenguaje de 7.000 millones de parámetros de 14 días a 38 horas con una utilización del 78 % del clúster de GPUs mediante entrenamiento con precisión mixta (BF16)»

9. Sistema de recomendación

• Antes: «Construí un motor de recomendaciones»
• Después: «Diseñé un modelo neuronal de recomendación de dos torres en TensorFlow Serving que procesa 45 millones de interacciones diarias de usuarios, mejorando la tasa de clics en un 23 % y generando 4,8 millones de dólares anuales en ingresos incrementales mediante personalización en tiempo real con latencia P99 inferior a 50 ms»

10. Ajuste fino y alineamiento

• Antes: «Ajusté modelos de lenguaje»
• Después: «Ajusté Mistral 7B mediante QLoRA (cuantización de 4 bits) con 85.000 pares de instrucción-respuesta específicos del dominio, logrando una mejora de 12 puntos en el benchmark interno y reduciendo los requisitos de memoria GPU de 80 GB a 24 GB, lo que permite el despliegue en una única instancia NVIDIA A10G a 0,38 $/hora»

Estrategia de la sección de habilidades

La sección de habilidades cumple un doble propósito: densidad de palabras clave para el matching ATS y referencia rápida para los revisores humanos. Estructúrala para ambas audiencias.

Formato recomendado

Agrupa las habilidades en 4–5 subcategorías en vez de listarlas en un solo bloque. Esto mejora tanto el análisis ATS (categorización clara) como la legibilidad.

Aprendizaje profundo y frameworks de ML: PyTorch, TensorFlow, JAX, Hugging Face Transformers, scikit-learn, XGBoost, ONNX, TensorRT

LLM e IA generativa: LangChain, LlamaIndex, pipelines RAG, bases de datos vectoriales (Pinecone, Weaviate), ajuste fino (LoRA, QLoRA), ingeniería de prompts, RLHF

MLOps e infraestructura: Docker, Kubernetes, MLflow, Kubeflow, Weights & Biases, Ray, Airflow, GitHub Actions, Terraform

Plataformas cloud: AWS (SageMaker, Bedrock, Lambda), GCP (Vertex AI, TPU), Azure ML

Programación y datos: Python, C++, SQL, Spark, Kafka, Pandas, NumPy, CUDA, Git

Refleja la oferta de empleo

Lee la oferta específica antes de postularte. Si dice «Hugging Face», no escribas solo «HF»: el ATS realiza coincidencia de cadenas de texto, no coincidencia conceptual. Si dice «Retrieval-Augmented Generation», usa esa frase exacta, no solo «RAG». Si dice «large language models», incluye ese término junto a «LLM». Cuando el espacio lo permita, incluye tanto la forma abreviada como la completa: «Retrieval-Augmented Generation (RAG)» ^[4:3].

Certificaciones como palabras clave

Enumera las credenciales con abreviatura y nombre completo en su primera aparición. Las certificaciones Google Professional ML Engineer y AWS ML aparecieron en un 40 % más de ofertas que credenciales alternativas en 2025 ^[6:1]:

• AWS Certified Machine Learning Engineer – Associate — Obtenida 2025
• Google Cloud Professional Machine Learning Engineer — Obtenida 2024
• NVIDIA Certified Associate: Generative AI LLMs — Obtenida 2025
• DeepLearning.AI Deep Learning Specialization (Coursera) — Completada 2023
• MS en Ciencias de la Computación, especialización en Aprendizaje Automático — Stanford University, 2022

Así el ATS encuentra coincidencia sin importar si el reclutador busca «AWS ML», «Machine Learning Engineer» o el nombre completo de la certificación.

Errores ATS comunes de los ingenieros de IA

1. Listar frameworks sin versión ni contexto

«PyTorch» en una lista de habilidades le da al ATS la palabra clave, pero no le dice nada al gerente de contratación sobre tu nivel. «PyTorch 2.0 — 4+ años en producción, entrenamiento distribuido (FSDP), pipelines de datasets personalizados, exportación de modelos con TorchScript» aporta palabras clave ATS y comunica profundidad. Con el aprendizaje profundo apareciendo en el 28,1 % de las ofertas de IA, el contexto del framework diferencia tu candidatura de quienes completaron un solo tutorial ^[5:5].

2. Omitir métricas de escala de producción

«Construí un modelo de aprendizaje automático» no contiene información diferenciadora. ¿Cuántos parámetros? ¿Qué tamaño de dataset? ¿Cuál era la latencia? ¿Qué rendimiento manejaba? Una viñeta con «entrené un modelo de 3.000 millones de parámetros con 500.000 muestras, sirviendo 8.000 solicitudes/minuto con latencia P95 de 42 ms» contiene ocho términos buscables adicionales y comunica inmediatamente tu nivel de experiencia.

3. Usar formato de artículo de investigación

Los CV académicos usan LaTeX, diseños multicolumna y bibliografías densas. El ATS no puede analizar nada de esto de forma fiable. Si estás haciendo la transición de la investigación a la industria, reconstruye tu currículum como documento Word de una sola columna con encabezados de sección estándar. Convierte tu lista de publicaciones a un formato de viñetas sencillo: «Primer autor, 'Efficient Attention Mechanisms for Long-Context Generation', NeurIPS 2024» en vez de usar formato BibTeX.

4. Confundir habilidades de investigación en ML con habilidades de ingeniería de ML

Enumerar «descenso de gradiente», «retropropagación» y «diseño de funciones de pérdida» señala conocimiento académico, no capacidad de ingeniería. Los reclutadores de puestos de ingeniería de IA filtran por términos de despliegue: «model serving», «CI/CD para ML», «pruebas A/B», «monitoreo», «feature store», «optimización de latencia». Un currículum con mucha teoría pero sin terminología de MLOps queda excluido del 75 % de las ofertas del sector que buscan ingenieros orientados a producción ^[5:6].

5. Enviar un único currículum para todos los puestos de IA

Los perfiles de palabras clave de un ingeniero de NLP y de uno de visión por computadora se superponen menos de lo que los candidatos suponen. «Tokenización», «mecanismo de atención» y «BLEU score» son términos de NLP. «mAP», «IoU» y «anchor boxes» son términos de visión por computadora. «MLOps engineer» se busca con «Kubernetes», «model registry» y «detección de drift». Un currículum que lo liste todo diluye tu puntuación de relevancia para cada puesto individual. Adapta según la especialización.

6. Enterrar GitHub y publicaciones después de la primera página

Los gerentes de contratación en ingeniería de IA revisan el historial de contribuciones en GitHub y las publicaciones como señales primarias de cualificación. Si tu URL de GitHub y publicaciones principales aparecen en la página dos, los algoritmos de ranking ATS que dan mayor peso al contenido anterior pueden despriorizarlas. Ubica GitHub, Google Scholar y tus 2–3 publicaciones principales en el área de contacto o inmediatamente después del resumen profesional.

7. Usar gráficos para arquitectura técnica

Los diagramas de arquitectura de sistemas, gráficos comparativos de modelos y curvas de entrenamiento son invisibles para el ATS. El sistema no extrae texto de imágenes incrustadas. Reemplaza las representaciones visuales con texto descriptivo: «Diseñé arquitectura de microservicios con 3 endpoints de model serving (recomendación, clasificación, extracción) detrás de API gateway, procesando 45 millones de solicitudes diarias en 12 pods de Kubernetes con auto-escalado horizontal.»

Ejemplos de resumen profesional optimizados para ATS

Tu resumen profesional debe contener 3–5 frases que concentren tus palabras clave de mayor valor, años de experiencia, especialización y contexto de producción. Algunas plataformas ATS otorgan mayor peso al contenido que aparece primero en el documento ^[4:4].

Nivel inicial: Ingeniero de ML (0–2 años)

Ingeniero de aprendizaje automático con 2 años de experiencia construyendo y desplegando modelos de aprendizaje profundo en PyTorch y TensorFlow. Desarrollé un pipeline de clasificación NLP que procesa 200.000 documentos con Hugging Face Transformers y lo desplegué en AWS SageMaker con contenedorización Docker, alcanzando un 91 % de precisión en carga de trabajo de producción. Dominio de Python, SQL, seguimiento de experimentos con MLflow y flujos de trabajo ML basados en Git. MS en Ciencias de la Computación con investigación publicada sobre ajuste fino eficiente de transformers (AAAI 2025). AWS Certified Machine Learning Engineer – Associate.

Nivel intermedio: Ingeniero senior de IA (3–6 años)

Ingeniero senior de IA con 5 años de experiencia diseñando y desplegando sistemas de ML en producción para NLP, recomendación e IA generativa. Lideré el desarrollo de una plataforma de búsqueda empresarial basada en RAG con LangChain, Pinecone y GPT-4 para 15.000 usuarios activos diarios con latencia inferior a 200 ms. Construí pipelines MLOps de extremo a extremo en Kubernetes con MLflow, Airflow y re-entrenamiento automático de modelos para 14 modelos en producción. Experiencia en entrenamiento distribuido con PyTorch en clústeres multi-GPU (NVIDIA A100), reduciendo costos de entrenamiento en un 40 % mediante optimización de precisión mixta. Google Cloud Professional Machine Learning Engineer.

Nivel senior: Staff AI Engineer / Arquitecto de ML (7+ años)

Staff AI Engineer con 9 años de experiencia liderando arquitectura de plataformas de ML y estrategia de IA para sistemas a escala empresarial que procesan más de 200 millones de predicciones diarias. Dirigí un equipo de 12 ingenieros de ML construyendo infraestructura de modelos fundacionales en AWS (SageMaker, Bedrock) para 6 equipos de producto, reduciendo el tiempo de despliegue de modelos de 4 semanas a 2 días mediante herramientas MLOps estandarizadas. Diseñé una plataforma de entrenamiento distribuido con PyTorch FSDP y Ray en 128 GPUs NVIDIA H100, entrenando un modelo de dominio personalizado de 13.000 millones de parámetros que alcanzó el estado del arte en 3 benchmarks internos. 8 artículos publicados en NeurIPS, ICML y ACL con más de 1.200 citas. AWS Certified Machine Learning Engineer, NVIDIA Certified Associate: Generative AI LLMs. MS en Ciencias de la Computación (Aprendizaje Automático), Stanford University.

Preguntas frecuentes

¿Debo listar cada framework y biblioteca de ML que he usado?

Enumera frameworks y bibliotecas en las que tengas experiencia en producción o trabajo sustancial en proyectos, no cada paquete que importaste una vez. El ATS encuentra coincidencias de palabras clave independientemente del nivel de competencia, pero los revisores humanos indagarán sobre tus habilidades declaradas en las entrevistas. Para herramientas prioritarias (PyTorch, TensorFlow, Hugging Face Transformers), añade un contexto breve: «PyTorch — 4+ años, entrenamiento distribuido, arquitecturas de modelos personalizadas, despliegue con TorchScript.» Para herramientas secundarias (Pandas, NumPy, Matplotlib), basta con una lista agrupada sin contexto. Prioriza las herramientas que aparecen en la oferta de empleo específica a la que te postulas ^[4:5][5:7].

¿Cómo manejo la distinción entre investigación en ML e ingeniería de ML en mi currículum?

Sé explícito sobre tu perfil. Si la oferta dice «ML Engineer», lidera con métricas de despliegue y producción: modelos servidos, latencia, rendimiento, disponibilidad y escala de infraestructura. Presenta la experiencia investigadora como respaldo: «publiqué un mecanismo de atención eficiente (NeurIPS 2024) que se desplegó posteriormente en el sistema de recomendación en producción con 12 millones de solicitudes diarias.» Si la oferta dice «ML Research Scientist», lidera con publicaciones, contribuciones novedosas y resultados de benchmarks, y luego menciona las habilidades de ingeniería como capacidad de ejecución. Los perfiles de palabras clave ATS difieren significativamente entre estos roles ^[7:1].

¿Importa la plataforma cloud que listo para el ranking ATS?

El ATS busca coincidencia con los nombres de plataforma presentes en la oferta. AWS SageMaker, Google Vertex AI y Azure ML son tres clústeres de palabras clave distintos: un currículum que solo menciona experiencia en Azure no coincidirá con una oferta que busca «SageMaker». Si tienes experiencia multinube, enumera todas las plataformas. Con experiencia en una sola nube, postúlate a ofertas que coincidan con tu plataforma y considera obtener una certificación en un segundo proveedor. AWS lidera las ofertas de empleo de IA con el 32,9 %, seguido de Azure con el 26 % ^[5:8]. Incluye tanto el nombre del servicio como la plataforma matriz: «AWS SageMaker» en vez de solo «SageMaker», para asegurar coincidencia en ambos términos.

¿Debo incluir mi perfil de GitHub y mis contribuciones a código abierto?

Incluye tu URL de GitHub como texto plano en tu sección de contacto: el ATS almacena URLs como cadenas buscables, pero no puede rastrear repositorios. Más importante aún, traduce tus contribuciones de GitHub en contenido para el currículum. «Colaborador en Hugging Face Transformers (3 PRs fusionados: optimicé el cálculo de attention mask reduciendo la asignación de memoria un 15 %)» proporciona palabras clave ATS (Hugging Face, Transformers, attention mask, optimización de memoria) y demuestra participación en código abierto. Los recuentos de estrellas y seguidores son irrelevantes para el ATS, pero pueden captar la atención de un revisor humano si son destacables (más de 1.000 estrellas en un proyecto personal).

¿Cómo debo presentar certificaciones frente a un máster?

Ambos son palabras clave ATS y ambos importan, pero señalan cosas diferentes. Un máster en Ciencias de la Computación, Aprendizaje Automático o IA demuestra conocimiento fundacional y capacidad investigadora. Las certificaciones cloud (AWS ML Engineer, Google Professional ML Engineer) demuestran competencias de despliegue en producción en plataformas específicas. Incluye ambos. Para candidatos de nivel inicial, el máster suele tener más peso que las certificaciones. Para perfiles de nivel intermedio y senior, las certificaciones vigentes señalan inversión continua en competencias — las certificaciones de Google y AWS ML aparecieron en un 40 % más de ofertas ^[6:2]. Las certificaciones vencidas deben eliminarse, ya que sugieren habilidades desactualizadas.

¿Cuál es la extensión adecuada del currículum para ingenieros de IA según su nivel?

Una página para candidatos con menos de 3 años de experiencia y sin publicaciones. Dos páginas para ingenieros con 3+ años de experiencia en ML en producción, investigación publicada o contribuciones significativas al código abierto. El ATS no penaliza la extensión, pero los revisores humanos sí: según datos de Jobscan, los reclutadores dedican una media de 6–7 segundos a la revisión inicial. Un currículum de dos páginas para un junior con una sola práctica sugiere falta de síntesis. Uno de una página para un staff engineer con 9 años, 8 publicaciones y arquitectura de plataformas multiequipo sugiere falta de profundidad. Si tienes publicaciones, incluye solo las 3–5 más relevantes en vez de una bibliografía académica completa ^[4:6].

¿Cómo optimizo mi currículum cuando paso de ciencia de datos a ingeniería de IA?

Identifica las palabras clave compartidas y lidera con ellas: Python, entrenamiento de modelos, métricas de evaluación, seguimiento de experimentos, SQL, ingeniería de features. Luego añade términos específicos de ingeniería de IA de la oferta: «despliegue de modelos», «optimización de inferencia», «Docker», «Kubernetes», «diseño de API», «latencia», «rendimiento». Cuantifica cualquier trabajo cercano a producción de tu rol de ciencia de datos: dashboards que sirven a 500 usuarios, modelos en pipelines batch programados o pruebas A/B con rigor estadístico. Un buen currículum de transición reformula el trabajo de ciencia de datos desde una perspectiva de ingeniería: «desplegué un modelo XGBoost en producción mediante API Flask sirviendo 2.000 predicciones diarias» en vez de «construí un modelo predictivo en Jupyter Notebook.»

Referencias: