Meta Machine Learning Engineer: CV, palabras clave y entrevista

No te llaman a entrevistas a Meta aunque tengas proyectos de machine learning en tu portfolio. El problema rara vez es tu conocimiento técnico. La causa más probable es que tu CV no está optimizado para pasar el filtro automático y que tu preparación para la entrevista no se alinea con lo que los entrevistadores realmente evalúan. Olvídate de las fórmulas mágicas. Vamos a ver qué funciona de verdad para el rol de Machine Learning Engineer en Meta, paso a paso.

El CV que pasa el filtro ATS#

Antes de que un ser humano lea tu currículum, un software lo escanea. Este sistema busca coincidencias con la descripción del puesto. Si no aparecen las palabras clave correctas, tu perfil se descarta en segundos, sin importar tu talento. Tu primera tarea es traducir la oferta de empleo a un CV que la máquina entienda y que al reclutador le parezca relevante.

Empieza por descifrar la descripción del puesto. Usa una herramienta gratuita como el decodificador de ofertas de empleo para identificar las habilidades y tecnologías que más se repiten. Luego, asegúrate de que esas palabras clave aparezcan de forma natural en tu CV, especialmente en la sección de experiencia y en un resumen al principio.

Finalmente, comprueba que el formato de tu CV no cause errores de lectura. Pásalo por un verificador de CV para ATS. Muchos candidatos son descartados por usar columnas, gráficos o formatos de archivo que el software no puede interpretar.

Palabras clave: qué poner y qué omitir#

Para un puesto de Machine Learning Engineer en Meta, hay un vocabulario específico que debes manejar. No se trata de rellenar el CV con palabras, sino de demostrar que conoces el ecosistema en el que opera la empresa.

• Modelos de recomendación y sistemas de anuncios.
• Aprendizaje profundo (deep learning) con PyTorch.
• Procesamiento de lenguaje natural (NLP) y modelos de lenguaje grandes (LLM).
• Sistemas de recomendación a gran escala.
• Infraestructura de ML (MLOps), entrenamiento distribuido y despliegue de modelos.
• Métricas de negocio: CTR, tasa de conversión, retención de usuarios.
• Ecosistema de Meta: Presto, Spark, Hive.

Omite las tecnologías que son competencia directa de Meta, como TensorFlow (salvo que tengas experiencia muy relevante que justifique mencionarla) o servicios de AWS/GCP específicos. Enfócate en los problemas que Meta resuelve: conectar a personas, personalizar contenido y optimizar anuncios.

El ejemplo concreto: transformar una línea de CV#

Muchos candidatos describen su trabajo de forma genérica. Los reclutadores de Meta buscan impacto medible y escalabilidad. Compara estos dos enfoques.

Antes:

• Desarrollé un modelo de machine learning para mejorar las recomendaciones de productos en la web.

Después:

• Lideré el diseño e implementación de un modelo de ranking (LambdaMART) para recomendaciones, lo que incrementó el CTR en un 8% y generó un aumento estimado de $1.2M en ingresos trimestrales, atendiendo a 5M de usuarios diarios.

La segunda versión es específica. Usa una técnica concreta (LambdaMART), cuantifica el impacto en una métrica de negocio (CTR) y en dólares, y define la escala (5M de usuarios). Esto demuestra que entiendes el ciclo completo: desde el problema técnico hasta el resultado para la empresa. Aplica este formato a todas tus experiencias relevantes.

Preparar la entrevista técnica y de diseño#

El proceso de entrevista en Meta para ML Engineers tiene varias fases. No puedo revelar preguntas específicas, pero sí puedo describir las áreas de evaluación basándome en información pública y en la experiencia de candidatos. Prepárate para cuatro bloques principales.

Entrevista de codificación

No es una entrevista de algoritmos complejos al estilo de un concurso de programación. El foco está en resolver problemas de forma clara, eficiente y colaborativa. Te darán un problema y deberás escribir código funcional en un lenguaje como Python. Evalúan tu capacidad para desglosar un problema, tu fluidez en el código y cómo manejas los casos límite. Practica en plataformas de ejercicios, pero enfócate en la claridad sobre la complejidad extrema.

Entrevista de diseño de sistemas de ML

Esta es la parte más importante. Te plantearán un problema de negocio abierto, como "diseña un sistema para detectar contenido de desinformación en Instagram" o "mejora el sistema de sugerencias de amigos en Facebook". Evalúan tu capacidad para:

1. Definir el problema y las métricas de éxito.
2. Proponer una solución de ML de extremo a extremo (recolección de datos, ingeniería de características, modelo, evaluación).
3. Discutir los trade-offs (precisión vs. latencia, coste de entrenamiento vs. ganancia).
4. Considerar la infraestructura y el despliegue a escala de Meta.

No buscan la respuesta "correcta". Quieren ver tu proceso de pensamiento estructurado y cómo priorizas.

Entrevista de comportamiento (behavioral)

Usan el formato STAR (Situación, Tarea, Acción, Resultado) para evaluar si encajas en la cultura de Meta. Prepara ejemplos concretos de proyectos pasados donde hayas enfrentado desafíos técnicos, trabajado en equipo bajo presión o tomado decisiones difíciles. La cultura de Meta valora la proactividad y el impacto.

Entrevista sobre fundamentos de ML

Aquí te harán preguntas teóricas para comprobar que entiendes los fundamentos detrás de los modelos que usas. Pueden preguntar sobre el gradiente descendente, el sobreajuste (overfitting), diferentes funciones de pérdida o cómo funcionan internamente los transformers. No es solo memorizar la definición; quieren que expliques los conceptos con claridad y profundidad.

Ejemplo de respuesta en la entrevista de diseño#

Pregunta del entrevistador: "Necesitamos mejorar la detección de spam en los comentarios de nuestras plataformas. ¿Cómo lo abordarías?"

Respuesta débil: "Usaría un modelo de deep learning como BERT para clasificar los comentarios como spam o no spam."

Respuesta sólida (estructura STAR): "Situación: El spam en comentarios degrada la experiencia del usuario y genera desconfianza. Nuestro objetivo es reducirlo en un 30% sin afectar la libertad de expresión. Tarea: Mi responsabilidad sería diseñar un sistema de detección en tiempo real. Acción: Primero, definiría métricas claras: precisión y recall, pero también la tasa de falsos positivos en comentarios legítimos. Propondría un enfoque de dos etapas. Un primer modelo ligero basado en reglas y un modelo más complejo (un clasificador de texto basado en transformers, como RoBERTa) para los casos dudosos. Para los datos, usaría una muestra de comentarios etiquetados por humanos y técnicas de active learning para mejorar el modelo con el tiempo. En cuanto a la infraestructura, necesitaríamos un pipeline de bajo latencia que se integre con el sistema de comentarios existente. Resultado: Con este sistema, esperaría reducir el spam visible en un 35% en el primer trimestre, manteniendo la tasa de falsos positivos por debajo del 0.1%, mejorando así la métrica de retención de usuarios."

Esta respuesta muestra visión de negocio, conocimiento técnico y pragmatismo. Puedes buscar ofertas de empleo actuales para puestos similares en nuestro portal de empleo para ver qué perfiles se buscan hoy.

El mercado laboral en España y Latinoamérica#

Meta tiene oficinas en Madrid y en varios países de Latinoamérica, pero la mayoría de los roles de ML Engineer de alta complejidad suelen estar en sus centros de EE.UU. o en algunos hubs de Europa. Esto no significa que no puedas aplicar. Las contrataciones remotas o con reubicación existen, pero son más competitivas.

Los salarios varían enormemente según la ubicación, la experiencia y el nivel. En España, un ML Engineer con experiencia puede esperar rangos que van desde los 50.000€ hasta los 90.000€ brutos anuales, pero en Meta, los paquetes de compensación (incluyendo acciones) pueden ser significativamente más altos. No confíes en cifras de portales genéricas. Investiga en Glassdoor o Levels.fyi para obtener datos más precisos, pero ten en cuenta que los números reportados por usuarios pueden no ser verificados. Lo más fiable siempre es preguntar directamente durante el proceso.

Herramientas gratis#

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

Preguntas frecuentes#

¿Qué nivel de experiencia piden para este puesto?

Meta contrata desde nivel junior (E3/E4) hasta expertos (E7+). Para un rol de ML Engineer, suelen buscar candidatos con al menos 2-3 años de experiencia relevante en proyectos de ML a escala, aunque los perfiles con maestría o doctorado y proyectos sólidos también pueden ser considerados para niveles iniciales.

¿Es necesario tener un doctorado (PhD) para entrar?

No es un requisito estricto. Muchos ingenieros en Meta tienen solo grado o máster. Lo que más valoran es la experiencia práctica demostrable y la capacidad para resolver problemas complejos de ML en entornos de producción. Un doctorado puede ayudar para roles de investigación, pero para la ingeniería aplicada, la experiencia laboral pesa más.

¿Qué lenguaje de programación debo usar en la entrevista de codificación?

Python es la opción estándar y la más recomendada. Asegúrate de conocer bien sus bibliotecas científicas (NumPy, Pandas) y de poder escribir código limpio y eficiente sin depender de un IDE con autocompletado. C++ también es aceptado, pero Python es más común.

¿Cuánto tiempo dura el proceso de selección?

El proceso completo puede durar desde 3 semanas hasta 2 meses. Incluye una llamada inicial con un reclutador, una o dos entrevistas técnicas por teléfono o video, y luego la "onsite" (que ahora suele ser virtual) con 4-5 entrevistas. La respuesta final puede tardar una o dos semanas más.

¿Puedo aplicar desde Latinoamérica para trabajar en remoto?

Sí, es posible. Meta ha adoptado modelos de trabajo flexibles. Sin embargo, las políticas varían según el equipo y la ubicación. Algunos roles están abiertos a trabajo remoto en países específicos, mientras que otros requieren reubicación. Lo mejor es buscar las ofertas en el portal de empleo oficial y filtrar por la opción "remote".