Google Machine Learning Engineer: CV, palabras clave y entrevista

No consigues que tu CV de Machine Learning Engineer llegue a un reclutador de Google. Envías el documento y nunca recibes respuesta. El problema, en la mayoría de los casos, no es tu experiencia, sino cómo la presentas.

Google recibe miles de solicitudes para cada puesto. Tu currículum tiene que superar dos filtros muy distintos: el sistema automatizado (ATS) y la mirada rápida de un recruiter. Si no está optimizado para ambos, tus proyectos más brillantes pueden quedar en el olvido. Aquí vamos a desglosar cómo preparar tu CV, qué palabras clave usar y cómo enfrentar el proceso de entrevista sin inventar nada.

El problema de los CV genéricos#

Un CV genérico es el enemigo número uno. Mandar el mismo documento a una startup de 10 personas y a Google es un error. Google busca perfiles muy específicos. Tu currículum debe reflejar que entiendes sus problemas de escala, su stack tecnológico y su cultura de trabajo basada en datos.

No basta con listar tecnologías. Necesitas demostrar el impacto. Los reclutadores de Google no buscan a alguien que "usó" TensorFlow, buscan a alguien que "diseñó y entrenó un modelo de recomendación con TensorFlow que aumentó el engagement en un 15% en un entorno con millones de usuarios". La escala y el resultado importan.

Palabras clave que debes incluir#

Los sistemas ATS buscan términos específicos. Incluirlos de forma natural en tus descripciones es fundamental. No se trata de hacer un listado al final, sino de integrarlos en tus logros.

• TensorFlow, PyTorch, Keras
• Python, C++
• Vertex AI, BigQuery, Google Cloud Platform (GCP)
• MLOps, CI/CD para ML
• Scikit-learn, Pandas, NumPy
• Procesamiento de Lenguaje Natural (NLP) o Computer Vision (CV)
• Sistemas de recomendación
• Modelado de series temporales
• Diseño de experimentos A/B
• Despliegue de modelos (model serving)

Usa el decodificador de ofertas de empleo de jobrise para analizar la descripción del puesto que te interesa. Te ayudará a identificar las palabras clave exactas que Google está buscando para ese rol concreto, ya sea un L4 o un L5.

Cómo reescribir tus logros#

La estructura de cada punto en tu experiencia laboral es clave. Debe seguir un patrón claro: qué hiciste, cómo lo hiciste y cuál fue el resultado. Cuantifica siempre que puedas.

Aquí tienes un ejemplo de cómo transformar una descripción débil en una potente.

Antes:

• Responsable del desarrollo de modelos de machine learning para la plataforma.

Después:

• Lideré el desarrollo de un modelo de detección de fraude en tiempo real con XGBoost y Python, procesando más de 10 millones de transacciones diarias, lo que redujo los falsos positivos en un 25% y ahorró aproximadamente 2M€ anuales en costes operativos.

La segunda versión es específica, nombra las tecnologías, establece la escala y cuantifica el impacto económico. Este es el lenguaje que Google entiende.

Preparando la entrevista técnica#

El proceso de entrevista en Google es conocido por su rigor. Para un rol de ML Engineer, generalmente puedes esperar estas rondas:

• Entrevistas de codificación: algoritmos y estructuras de datos.
• Entrevistas de diseño de sistemas ML: cómo construirías un sistema de recomendación para YouTube o un clasificador de spam para Gmail.
• Entrevistas de ML fundamentals: teoría detrás de los algoritmos, métricas, etc.
• Entrevistas de "Googleyness": cultura, liderazgo y colaboración.

Para la parte de diseño de sistemas, no busques la respuesta "correcta". El entrevistador quiere ver tu proceso de pensamiento. Empieza por aclarar los requisitos, define el alcance, propón una solución inicial y luego itera. Habla en voz alta. Explica tus decisiones y sus trade-offs.

Preparando la entrevista conductual#

La parte de "Googleyness" a menudo se subestima. Google quiere saber cómo trabajas en equipo, cómo manejas los desacuerdos y cómo lideras proyectos sin necesidad de un título formal. Usa el método STAR (Situación, Tarea, Acción, Resultado) para estructurar tus respuestas, pero sé honesto y específico.

Aquí tienes un ejemplo de respuesta a la pregunta "Cuéntame de una vez que tuviste un desacuerdo técnico con un compañero".

Ejemplo de respuesta STAR:

"En mi proyecto anterior, estábamos decidiendo la arquitectura para un nuevo sistema de NLP. Yo defendía el uso de un modelo Transformer pre-entrenado por su precisión, mientras mi colega prefería un modelo LSTM más ligero por la latencia. En lugar de insistir, organicé una reunión donde ambos presentamos benchmarks con datos reales de nuestro caso de uso. Los resultados mostraron que el modelo Transformer, aunque más lento, cumplía con el umbral de latencia y ofrecía una mejora del 10% en la precisión. Mi colega aceptó los datos y colaboramos en la optimización del modelo final. El proyecto fue un éxito y mejoramos la comunicación en el equipo."

Esta respuesta demuestra colaboración, pensamiento basado en datos y enfoque en el resultado. Es exactamente lo que un entrevistador de Google quiere escuchar.

No olvides revisar las ofertas de empleo de Google en nuestro portal para entender los diferentes niveles y equipos. Y antes de enviar tu CV, pásalo por nuestro verificador de compatibilidad con ATS para asegurarte de que no se pierda en el primer filtro.

Herramientas gratis#

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

Preguntas frecuentes#

¿Cuánto tarda el proceso de selección en Google?

El proceso puede durar entre 4 y 8 semanas, a veces más. Incluye una llamada inicial con un reclutador, una o dos entrevistas técnicas por teléfono o video y, si pasas, un "onsite" (o virtual onsite) de 4-5 entrevistas. La toma de decisión final también puede llevar tiempo.

¿Es necesario tener un máster o un doctorado para ser ML Engineer en Google?

No es un requisito estricto, pero es muy común. Muchos ingenieros tienen un Máster o un PhD en Ciencias de la Computación o campos relacionados. Sin embargo, la experiencia profesional demostrable en proyectos de ML a gran escala puede ser igual de válida.

¿Qué nivel de programación se espera?

Se espera un nivel alto, similar al de un Software Engineer. Debes ser muy competente en estructuras de datos y algoritmos (en Python o C++). No basta con saber usar librerías de ML; se espera que puedas implementar soluciones desde cero si es necesario.

¿Qué diferencia a un ML Engineer de un Data Scientist en Google?

Aunque hay solapamiento, un ML Engineer se centra más en la puesta en producción y el mantenimiento de los modelos. Pasan más tiempo en MLOps, infraestructura y código de producción. Un Data Scientist puede centrarse más en el análisis, la experimentación y la investigación.

¿Puedo aplicar desde fuera de España o Latinoamérica?

Sí, Google contrata a nivel global. Sin embargo, el proceso de visado y reubicación es complejo y depende de la ubicación específica del puesto. Las oficinas principales en Europa para ML están en Zúrich, Londres y Dublín. Debes verificar los requisitos de visado para cada país en las fuentes oficiales.