Infosys Machine Learning Engineer: CV, palabras clave y entrevista

Llevas semanas enviando currículos y el silencio es la única respuesta. Si tu objetivo es una posición como Machine Learning Engineer en Infosys, el problema puede estar en que tu perfil no está hablando el idioma específico que ellos buscan. No es solo cuestión de saber Python; es demostrar que entiendes cómo aplicar el machine learning a la escala y los problemas que una consultora global como Infosys enfrenta a diario.

Vamos a desglosar cómo adaptar tu CV, qué esperar en la entrevista y qué palabras clave pueden marcar la diferencia para pasar el primer filtro.

Entiende el contexto de Infosys#

Antes de tocar tu CV, necesitas entender dónde te estás metiendo. Infosys no es una startup de producto. Es una consultora de servicios de TI y externalización. Esto significa que los proyectos suelen tener un alcance definido por el cliente, plazos estrictos y un fuerte énfasis en la eficiencia y la escalabilidad.

Un Machine Learning Engineer aquí no solo construye modelos en un Jupyter Notebook. Se espera que despliegues pipelines en producción, que integres soluciones con sistemas legados de clientes y que puedas explicar el valor de tu trabajo a personas no técnicas. Los sectores clave suelen ser banca, seguros, manufactura y retail. Ten esto presente en cada paso.

Palabras clave que tu CV debe incluir#

Los reclutadores y los sistemas de seguimiento de candidatos (ATS) buscan términos muy específicos. No pongas "machine learning" y esperes lo mejor. Debes ser preciso.

• Nombres de frameworks y librerías: Scikit-learn, TensorFlow, PyTorch, Keras, XGBoost, LightGBM.
• Herramientas de MLOps y despliegue: MLflow, Kubeflow, Airflow, Docker, Kubernetes, AWS SageMaker, Azure ML, Google Vertex AI.
• Habilidades de datos y programación: SQL avanzado, Spark (PySpark), Pandas, NumPy, APIs REST, Flask/FastAPI.
• Conceptos y técnicas: regresión logística, bosques aleatorios, redes neuronales, procesamiento de lenguaje natural (NLP), visión por computadora, series temporales, validación cruzada, ingeniería de características.
• Metodologías: Scrum, Agile, CI/CD.

Integra estas palabras de forma natural en la sección de habilidades y, más importante, en tus descripciones de experiencia laboral. No hagas una lista interminable. Menciona las que realmente dominas y que son relevantes para el puesto.

Cómo adaptar tu CV para Infosys#

Tu CV genérico no va a funcionar. Necesitas una versión específica para este tipo de rol. Aquí hay un enfoque práctico.

Primero, usa una herramienta como el comprobador de CV para ATS gratuito para ver si tu formato es legible por los sistemas automáticos. Segundo, coge la descripción de la oferta de empleo que te interesa en Infosys y analízala palabra por palabra. Puedes usar un descodificador de descripciones de empleo gratuito para extraer las habilidades clave que ellos mismos están pidiendo.

Luego, reescribe tu experiencia laboral enfocándote en logros medibles, no en tareas. Usa la estructura: Logro + Cómo lo hiciste + Herramienta/tecnología.

Ejemplo de bullet genérico (el que debes evitar):

• Responsable de crear modelos de machine learning para el departamento de marketing.

Ejemplo de bullet reescrito para Infosys (el que debes usar):

• Desarrollé y desplegué un modelo de predicción de abandono de clientes (churn) con un 88% de precisión usando XGBoost y Scikit-learn, lo que permitió al equipo de marketing lanzar campañas de retención dirigidas y reducir la tasa de pérdida en un 15% en seis meses. El pipeline se orquestó con Airflow y se desplegó en AWS.

La diferencia es abismal. El segundo muestra impacto, tecnologías concretas y resultados de negocio.

Preparando la entrevista técnica#

El proceso en Infosys suele tener varias fases: un filtro inicial con RRHH, una o dos rondas técnicas y a veces una ronda final con un gerente de proyecto o cliente.

La entrevista técnica no es solo teoría. Prepárate para:

• Preguntas de codificación en vivo: suelen ser de dificultad media, enfocadas en manipulación de datos con Pandas, implementación de algoritmos básicos o estructuras de datos.
• Preguntas sobre proyectos: te pedirán que expliques un proyecto de tu CV en profundidad. ¿Por qué elegiste ese modelo? ¿Cómo manejaste los datos desbalanceados? ¿Qué métricas usaste y por qué? ¿Cómo lo pusiste en producción?
• Preguntas de diseño de sistemas: cómo diseñarías un sistema de recomendación para un minorista o un sistema de detección de fraude en tiempo real. Aquí se valora la estructura y la consideración de la escala.

La clave es la claridad. Explica tu proceso de pensamiento en voz alta. Si no sabes algo, es mejor decirlo y razonar sobre cómo lo averiguarías.

Ejemplo de pregunta y respuesta: Pregunta: "Cuéntame sobre un proyecto donde tuviste que lidiar con datos de mala calidad."

Respuesta débil: "Bueno, siempre hay datos sucios. Usé Pandas para limpiarlos y ya."

Respuesta fuerte: "En mi último proyecto de predicción de demanda, teníamos un 30% de valores nulos en una variable clave y outliers extremos. Mi primer paso fue analizar el patrón de los nulos para ver si eran aleatorios o sistemáticos. Para los outliers, en lugar de eliminarlos, usé el método del rango intercuartílico (IQR) para recortarlos (winsorizing) y no perder información. Para los nulos, dado que la serie temporal tenía estacionalidad, imputé usando la mediana móvil de ventanas de 7 días. Luego validé el impacto de estas decisiones en la métrica final del modelo, el MAE, para asegurarme de que la limpieza no introducía sesgos. Documenté todo el pipeline de preprocesamiento para que fuera reproducible."

Esta respuesta demuestra un método, conocimiento técnico y pensamiento crítico.

El lado no técnico: cultura y clientes#

No subestimes las preguntas conductuales. En una consultora, la gestión de clientes es tan importante como el código. Prepárate para preguntas como "Cuéntame una vez que tuviste un desacuerdo con un compañero" o "Cómo manejas la presión de un plazo ajustado".

Usa el método STAR (Situación, Tarea, Acción, Resultado) para estructurar tus respuestas. Muestra que eres un profesional que sabe comunicar, resolver problemas y trabajar en equipo. Busca en el blog de jobrise más artículos sobre cómo preparar este tipo de preguntas.

Finalmente, investiga. Mira los casos de éxito de Infosys en su web. No para repetirlos, sino para entender qué tipo de problemas resuelven y qué tecnologías mencionan. Esto te dará material para tus propias preguntas al final de la entrevista, demostrando un interés genuino.

Para encontrar las vacantes actuales y tener una idea más concreta de los requisitos, explora las ofertas de empleo disponibles en nuestro portal de empleo.

Preguntas frecuentes#

¿Es necesario tener experiencia previa en consultoría para entrar en Infosys?

No es un requisito excluyente, pero es una ventaja. Si no la tienes, enfatiza en tu CV y entrevista cualquier experiencia trabajando directamente con clientes o departamentos de negocio, gestionando expectativas y comunicando resultados técnicos a audiencias no técnicas.

¿Qué rango salarial puedo esperar para este puesto en España?

Los salarios varían mucho según la experiencia, la ciudad y las negociaciones. Para un Machine Learning Engineer con experiencia, los rangos reportados en España suelen oscilar entre los 40.000€ y los 65.000€ brutos anuales. Es fundamental que consultes fuentes actualizadas como Glassdoor, LinkedIn Salary o Infojobs para tener datos del mercado en el momento de negociar.

¿El proceso de selección es muy largo?

Suele serlo. Pueden pasar desde dos semanas hasta más de un mes entre la primera entrevista y la oferta final. Esto se debe a las múltiples rondas técnicas y de RRHH. Ten paciencia y no dejes de buscar otras opciones en paralelo.

¿Qué tecnologías son las más demandadas para este rol en Infosys?

Basándonos en ofertas de empleo recientes, las más comunes son Python, SQL, AWS o Azure, Docker, y frameworks como Scikit-learn o TensorFlow. El conocimiento de MLOps (MLflow, Airflow) es cada vez más valorado para diferenciarte.

¿Es un buen lugar para empezar una carrera en ML?

Puede serlo. Ofrece exposición a una gran variedad de industrias y proyectos a gran escala que no verías en empresas más pequeñas. La curva de aprendizaje es empinada pero valiosa. El lado menos positivo es que a veces el trabajo puede volverse más de ejecución que de investigación, dependiendo del proyecto asignado.