Nvidia Machine Learning Engineer: CV, palabras clave y entrevista

No consigues ni una sola respuesta de Nvidia aunque tu perfil encaje. El problema rara vez es tu experiencia. El problema es que tu CV no habla el idioma que su software de filtrado busca y tu preparación para la entrevista no va al grano. Nvidia no contrata genios abstractos; contrata gente que resuelve problemas específicos de su negocio: GPUs, CUDA, inferencia a escala. Vamos a arreglarlo.

El primer filtro: entender lo que Nvidia realmente busca#

Antes de tocar una coma de tu CV, olvídate de lo que crees que sabes de la empresa. La fuente de verdad es siempre la descripción del puesto. Nvidia tiene roles muy variados: un ML Engineer en el equipo de CUDA-Core no hace lo mismo que uno en DRIVE para coches autónomos. Lee la oferta tres veces. Subraya las tecnologías, los frameworks y los verbos de acción.

Para desglosar una oferta compleja, puedes usar una herramienta como el decodificador de ofertas para extraer los requisitos clave. Luego, busca más puestos similares en los listados de empleo para ver qué términos se repiten. Esa lista de palabras y habilidades es tu mapa.

Cómo reescribir tu CV para el ATS de Nvidia#

El sistema de seguimiento de candidatos (ATS) de una empresa de este tamaño es agresivo. No es malo, solo literal. Busca palabras clave exactas. Si la oferta dice "PyTorch" y tú has puesto "frameworks de deep learning", puede que no te indexe. Tu objetivo es pasar ese primer filtro automático para que un humano te lea.

Aquí tienes un chequeo para alinear tu CV:

• Elimina el resumen genérico de tres párrafos. Usa un titular claro: "Machine Learning Engineer | CUDA, PyTorch, Inferencia a Escala".
• Adapta la sección de habilidades. Si la oferta pide "TensorRT" y "ONNX", esas palabras deben estar en tu CV, no "optimización de modelos".
• Usa los verbos de la oferta. Si dicen "develop", "deploy", "optimize", tú escribes "Desarrollé", "Desplegué", "Optimicé".
• Cuantifica todo. "Mejoré el rendimiento" no dice nada. "Reducí la latencia de inferencia en un 40%" es un dato.
• Pasa tu CV final por un analizador de compatibilidad con ATS para detectar palabras clave que te falten.

La regla de oro: cada CV que envías a Nvidia debe ser ligeramente distinto, ajustado a la oferta concreta. Un CV genérico es un CV muerto.

El ejemplo práctico: transformar un bullet point#

Muchos candidatos describen su trabajo en términos vagos. "Participé en un proyecto de machine learning para mejorar el producto". Esto no le dice nada a un reclutador de Nvidia. Hay que ser brutalmente específico.

Antes (genérico y aburrido):

• Trabajé en la optimización de modelos de deep learning para el equipo de visión por computadora, mejorando la eficiencia del pipeline.

Después (específico, cuantificado y con palabras clave):

• Desplegué y optimicé un modelo de detección de objetos en PyTorch para producción, reduciendo la latencia de inferencia en un 35% mediante la cuantización a INT8 y la conversión a TensorRT para su ejecución en GPUs NVIDIA A100.

La diferencia es abismal. El segundo ejemplo muestra una habilidad técnica concreta, una acción medible y alinea directamente tu experiencia con el hardware y software de Nvidia. Haz esto con cada punto de tu experiencia relevante.

Prepararse para la entrevista técnica#

La entrevista en Nvidia no es un paseo. Suelen ser tres o cuatro rondas: una inicial con RRHH, otra o dos técnicas con el equipo, y a veces una de "fit" cultural o de liderazgo. La parte técnica es dura y profunda.

No esperen preguntas trampa de algoritmos de bolsillo. Esperen preguntas que simulen sus problemas reales. Te van a preguntar sobre tu proyecto en profundidad. ¿Por qué elegiste esa arquitectura? ¿Qué alternativas consideraste? ¿Cómo gestionaste el sobreajuste? ¿Cómo mediste el éxito en producción?

Ejemplo de pregunta y respuesta

Pregunta: "Describe un proyecto donde optimizaste un modelo para inferencia en hardware con restricciones de memoria y latencia. ¿Qué técnicas usaste y por qué?"

Respuesta mala: "Usé técnicas de cuantización y poda para hacer el modelo más pequeño y rápido."

Respuesta buena (sigue la estructura STAR):

"En mi último proyecto, teníamos un modelo de NLP basado en BERT que debía desplegarse en un dispositivo edge con 4GB de RAM y un requisito de latencia de menos de 50ms por inferencia. El modelo original en FP32 era de 1.2GB y tardaba 200ms. Mi objetivo era reducir ambos.

Primero, probé la poda estructurada, eliminando el 30% de las cabezas de atención. Esto redujo el tamaño a 800MB, pero la latencia solo bajó a 150ms, aún por encima del objetivo. La precisión cayó un 2%, lo cual era aceptable.

Luego, apliqué cuantización dinámica a INT8 usando las herramientas de PyTorch. Esto redujo el tamaño a unos 300MB, cumpliendo el requisito de memoria. Sin embargo, la latencia seguía en 80ms. El cuello de botella era el pre y post-procesamiento en la CPU.

La solución final fue convertir el modelo a formato ONNX y luego a TensorRT para optimizar la ejecución en la GPU del dispositivo. Esto requirió reescribir parte del pre-procesamiento para que corriera en la GPU. El resultado final fue un modelo de 300MB con una latencia media de 35ms y una caída de precisión total del 3.5%, dentro de los límites del proyecto."

Esta respuesta demuestra un proceso de pensamiento, conocimiento de varias técnicas y, lo más importante, una mentalidad de ingeniero que prueba, mide y itera.

El mercado local: Nvidia en España y Latinoamérica#

Es importante ser realista. Nvidia tiene una presencia física limitada en España y Latinoamérica comparada con EE. UU. o Europa Central. En España, sus oficinas se centran más en ventas, marketing y soporte, aunque hay equipos técnicos y de investigación. En Latinoamérica, las oportunidades de ML Engineer puro son más escasas, a menudo ligadas a centros de desarrollo de otras empresas que colaboran con Nvidia o a roles remotos para la sede global.

Esto no significa que sea imposible, pero sí que la competencia es feroz y el proceso puede ser más largo. Los salarios para estos roles en remoto para empresas globales suelen estar en dólares o euros y varían enormemente según la experiencia, pero pueden ir desde los 100.000 USD hasta más de 200.000 USD anuales para perfiles senior. Son cifras típicas en el mercado global, no una garantía. Investiga siempre los rangos salariales actualizados para tu región y nivel de experiencia.

Preguntas frecuentes#

¿Qué nivel de estudios se necesita para un puesto de ML Engineer en Nvidia?

Para puestos de ingeniería, un máster en Ciencias de la Computación, IA o un campo relacionado es casi un requisito estándar. Un doctorado (PhD) es muy valorado, especialmente para roles de investigación o desarrollo avanzado. Sin embargo, una trayectoria profesional excepcional con proyectos complejos y publicaciones puede compensar la falta de un doctorado.

¿Nvidia solo contrata expertos en GPUs y CUDA?

No necesariamente para todos los roles. Si la oferta pide explícitamente CUDA, es obligatorio. Pero hay muchos roles de ML Engineer centrados en el diseño de modelos, la experimentación o MLOS donde se usa PyTorch o TensorFlow sobre hardware Nvidia sin escribir kernels de CUDA. El requisito clave es entender cómo funciona el hardware para optimizar el software que corre sobre él.

¿Cómo es la cultura de trabajo en Nvidia?

Según empleados actuales y antiguos, se suele describir como una cultura de alta exigencia técnica, orientada a la ingeniería y con mucha autonomía. Esperan que seas un "dueño" de tu proyecto. Esto puede ser muy gratificante pero también muy estresante. No es un lugar para quien busque un ritmo pausado o una estructura jerárquica rígida.

¿Es mejor aplicar directamente en la web de Nvidia o a través de un referido?

Un referido siempre es mejor. Aumenta significativamente las posibilidades de que tu CV sea revisado por un humano. Usa LinkedIn para encontrar a alguien en el equipo o departamento que te interese. Un mensaje breve, honesto y bien redactado puede abrir puertas que el portal de empleo mantiene cerradas.

¿Qué tipo de proyectos personales impresionan a Nvidia?

Proyectos que demuestran que entiendes los problemas del mundo real. No otro clasificador de CIFAR-10. Piensa en proyectos que involucren optimización para hardware específico, entrenamiento distribuido, o despliegue de modelos en producción. Un proyecto donde optimizaste un modelo para correr eficientemente en una Jetson Nano o donde implementaste un algoritmo de entrenamiento distribuido con PyTorch DDP es mucho más valioso. Puedes encontrar más ideas y artículos técnicos en nuestro blog.