Amazon Machine Learning Engineer: CV, palabras clave y entrevista

No consigues entrevistas para puestos de Machine Learning Engineer en Amazon, o pasas las técnicas pero te frenan en las rondas de liderazgo. El problema rara vez es tu talento. Es la falta de un CV optimizado para su sistema y una preparación que no se alinee con sus 16 principios de liderazgo.

Vamos a arreglarlo. Esta guía te dará un plan claro para adaptar tu perfil, dominar sus palabras clave y responder en sus entrevistas como si ya trabajaras allí.

Entiende el rol antes de tocar el CV#

Un Machine Learning Engineer (MLE) en Amazon no es un científico de datos académico ni un ingeniero de software genérico. Es un híbrido. Construye, despliega y mantiene sistemas de ML en producción a una escala masiva.

Esto significa que tu CV debe gritar "puedo construir sistemas fiables", no solo "sé entrenar modelos". El foco está en la ingeniería, la escalabilidad y el impacto medible en el negocio.

Cómo reescribir tu CV para que pase el filtro#

Amazon usa sistemas de seguimiento de candidatos (ATS) muy estrictos. Tu CV debe estar lleno de las palabras clave correctas para no ser descartado automáticamente.

Primero, identifica las palabras clave de la descripción del puesto (job description). Puedes usar una herramienta como el decodificador de descripciones de puesto para extraerlas. Luego, asegúrate de que tu CV las incluya de forma natural.

El filtro ATS y las palabras clave

No pongas una lista de skills al final. Integra las tecnologías y metodologías en tus descripciones de experiencia. Piensa en ello como si fueras a pasar un analizador de compatibilidad con ATS que busca coincidencias exactas.

Aquí tienes una lista de comprobación rápida para tu CV de MLE:

• Incluye frameworks de ML: PyTorch, TensorFlow, Scikit-learn.
• Menciona servicios de AWS relevantes: SageMaker, S3, EC2, Lambda, ECS.
• Detalla lenguajes de programación: Python (imprescindible), Java, C++.
• Usa verbos de acción que demuestren impacto: "desplegué", "optimicé", "reduje", "automatizé".
• Cuantifica cada logro: "reduje la latencia de inferencia en un 20%", "aumenté la precisión del modelo en 5 puntos porcentuales".
• Muestra experiencia con MLOps: CI/CD para modelos, monitorización, pipelines de datos.

Ejemplo práctico: de genérico a específico

Muchos candidatos escriben bullets que no dicen nada. Compáralos.

Antes (genérico y aburrido): Responsable del desarrollo de modelos de machine learning para el equipo de marketing.

Después (específico y orientado a resultados): Desplegué un modelo de recomendación de productos usando SageMaker y PyTorch, procesando más de 10 millones de eventos diarios con S3 y Lambda. Esto aumentó la tasa de clics en un 15% y redujo el coste de inferencia en un 12% al optimizar el tamaño del modelo.

El segundo ejemplo demuestra que sabes usar el stack de Amazon, entiendes la escala y, lo más importante, que tu trabajo tiene un impacto real en el negocio.

Prepararse para la entrevista: las dos batallas#

Superar el CV es solo el principio. La entrevista en Amazon tiene dos componentes muy definidos: la técnica y la de liderazgo (Leadership Principles). Debes prepararte para ambas con la misma intensidad.

La entrevista técnica

Aquí evaluarán tus habilidades de codificación y tu conocimiento de sistemas de ML a gran escala. No esperes preguntas de juguete.

Espera preguntas como: "Diseña un sistema para detectar fraude en transacciones en tiempo real". No te piden solo el algoritmo. Quieren saber cómo lo pondrías en producción. ¿Cómo manejas los datos en streaming? ¿Cómo monitorizas el modelo para detectar degradación (model drift)? ¿Cómo lo despliegas sin interrumpir el servicio?

Para prepararte, repasa los fundamentos de diseño de sistemas de ML y practica la implementación de pipelines completos. Puedes buscar ofertas de trabajo actuales en portales como el buscador de empleo de jobrise para ver qué tecnologías específicas piden ahora mismo.

La entrevista de liderazgo (Leadership Principles)

Esta es donde la mayoría de los candidatos fallan. Amazon vive y respira sus 16 principios. No es un extra; es el núcleo de su cultura. Cada respuesta debe estar enmarcada en uno o más de estos principios.

No te preguntarán "¿Qué es Customer Obsession?". Te harán preguntas como: "Cuéntame una vez que un cliente te pidió algo que no era parte de tu trabajo. ¿Qué hiciste?".

La clave es responder usando el método STAR (Situación, Tarea, Acción, Resultado). Prepárate al menos dos historias detalladas para cada uno de los principios más importantes:

• Customer Obsession: (Obsesión por el cliente)
• Ownership: (Sentido de pertenencia)
• Dive Deep: (Sumergirse en los detalles)
• Bias for Action: (Sesgo hacia la acción)
• Deliver Results: (Entregar resultados)

Ejemplo de respuesta STAR para "Ownership"

Pregunta: "Describe una situación en la que tomaste la iniciativa para resolver un problema que no era tu responsabilidad directa."

Respuesta usando STAR:

(Situación) En mi rol anterior, el pipeline de datos que alimentaba nuestro modelo de recomendación sufría caídas intermitentes. Esto provocaba que el modelo se entrenara con datos incompletos, degradando su rendimiento.

(Tarea) Mi tarea principal era el desarrollo del modelo, no el mantenimiento de los datos. Sin embargo, el problema afectaba directamente a la calidad de mi trabajo y a los resultados del negocio.

(Acción) En lugar de simplemente reportar el error al equipo de datos, me tomé la iniciativa. Dediqué dos días a investigar los logs del pipeline. Descubrí que un cambio reciente en una API de un tercero causaba timeouts en un 5% de las peticiones. Documenté el problema con pruebas y propuse una solución: un sistema de reintentos con backoff exponencial. Colaboré con el equipo de datos para implementar mi propuesta.

(Resultado) La solución eliminó las caídas. La calidad de los datos de entrenamiento mejoró, lo que se tradujo en un aumento del 8% en la precisión del modelo en las siguientes dos semanas. Mi manager destacó mi sentido de pertenencia (ownership) por haber ido más allá de mis responsabilidades.

El mercado local: salarios y visados#

Si aplicas para puestos en España o Europa, ten en cuenta algunas cosas. Los rangos salariales para un MLE en Amazon (L5) suelen oscilar entre los 60.000 y 90.000 euros brutos anuales en ciudades como Madrid o Barcelona, según la experiencia y el nivel. Esto puede variar, así que siempre verifica las ofertas actuales.

Para los visados, si no eres ciudadano de la UE, Amazon suele patrocinar visados de trabajo altamente cualificado (como el visado para profesionales altamente cualificados en España). Sin embargo, el proceso es largo y no hay garantías. La normativa cambia, así que consulta siempre la información oficial del Ministerio de Inclusión, Seguridad Social y Migraciones.

Herramientas gratis#

• chequeo ATS gratis
• decodificador de ofertas
• empleos
• blog

Preguntas frecuentes#

¿Necesito un máster o un PhD para ser MLE en Amazon?

No es un requisito estricto, pero es común. Lo que más valoran es la experiencia práctica demostrable construyendo sistemas de ML en producción. Si tienes un historial sólido de proyectos relevantes, puedes competir con candidatos que tienen títulos más avanzados.

¿Cómo demuestro experiencia con AWS si en mi trabajo actual usamos otra nube?

Enfócate en los conceptos, no solo en los nombres de los servicios. Explica tu experiencia con "almacenamiento de objetos" en lugar de solo decir "S3", o "servicios de cómputo sin servidor" en lugar de solo "Lambda". Además, crea proyectos personales en el nivel gratuito de AWS para ganar experiencia práctica y poder hablar de ello con propiedad.

¿Cuánto tiempo debo dedicar a preparar las preguntas de Leadership Principles?

Dedícale tanto tiempo como a la preparación técnica. Un error común es subestimar esta parte. Preparar 20 a 30 historias bien estructuradas con el método STAR te tomará al menos una semana de trabajo serio. Es la mejor inversión de tiempo que puedes hacer.

¿Es verdad que el proceso de contratación en Amazon es muy largo?

Sí, es habitual que el proceso completo, desde la primera llamada hasta la oferta, dure entre 4 y 8 semanas. Incluye una entrevista telefónica inicial, una prueba técnica online (coding assessment) y una o varias "on-site" (o virtuales) con múltiples entrevistadores. La paciencia es clave.

¿Dónde puedo encontrar más información para preparar mi CV?

Puedes usar herramientas gratuitas para empezar. Por ejemplo, el analizador de CV para ATS te da una idea rápida de si tu CV está bien optimizado. También puedes explorar más consejos y artículos sobre el mercado laboral y entrevistas para estar al día.