Uber Machine Learning Engineer: CV, palabras clave y entrevista

No consigues que tu CV de machine learning llegue a un reclutador de Uber. O pasas el filtro automático, pero te estancas en la primera entrevista técnica. El problema es que un perfil genérico de ML no funciona para una empresa como Uber. Necesitas un enfoque específico.

Entiende lo que Uber realmente busca en ML#

Uber no es una empresa de investigación pura. Sus modelos de machine learning tienen un impacto directo en el negocio: optimizar rutas, predecir la demanda, detectar fraude, fijar precios dinámicos. Por eso valoran tanto la capacidad de llevar un modelo del notebook a producción como la habilidad de entender el problema de negocio detrás.

Tu CV y tu preparación deben reflejar esta mentalidad. Menos énfasis en papers teóricos y más en sistemas escalables y resultados medibles. El proceso de selección es riguroso y suele incluir varias rondas técnicas.

Cómo adaptar tu CV para Uber#

Tu CV debe pasar primero un filtro automático (ATS) y luego convencer a un humano. Usa nuestro analizador de CV gratuito para asegurarte de que el formato sea correcto. Luego, adapta el contenido.

• Elimina la sección de "Objetivo". Usa un resumen profesional de 2-3 líneas que mencione tus años de experiencia, tus stacks principales y el tipo de problemas de ML que resuelves.
• En la sección de experiencia, cada bullet debe empezar con un verbo de acción fuerte y cuantificar el impacto. No pongas "Trabajé en modelos de predicción". Di exactamente qué hiciste y qué resultado tuvo.
• Incluye una sección de "Habilidades Técnicas" clara. Divide en categorías: Lenguajes (Python, Scala, SQL), Frameworks (TensorFlow, PyTorch, Spark MLlib), Herramientas de la nube (AWS SageMaker, GCP Vertex AI, Docker, Kubernetes), y Conceptos (Sistemas de recomendación, Series temporales, MLOps).
• Para cada puesto, incluye proyectos que demuestren el ciclo completo de ML: desde el análisis de datos y la ingeniería de features hasta el despliegue (deployment) y el monitoreo del modelo en producción.

Un bullet genérico dice: "Desarrollé modelos de machine learning para mejorar el producto". Un bullet para Uber dice:

Antes: "Desarrollé modelos de predicción para la demanda."

Después: "Diseñé y desplegué un modelo de series temporales (Prophet + XGBoost) para predecir la demanda de viajes por zona geográfica, reduciendo el error de pronóstico en un 15% y mejorando la asignación de conductores en horarios pico."

Este segundo bullet muestra la técnica específica, el problema de negocio (demanda, asignación) y un resultado cuantitativo. Usa nuestro decodificador de ofertas de empleo para extraer las palabras clave exactas de la vacante a la que aplicas y reflejarlas en tu CV.

Las preguntas de la entrevista técnica#

El proceso suele tener estas fases: un screening con RRHH, una o dos entrevistas técnicas de coding (en plataformas como CoderPad), una entrevista de diseño de sistemas de ML (ML System Design), y a veces una ronda de "fit" o comportamiento.

Entrevista de coding

No esperes preguntas triviales. Practica problemas de dificultad media-alta en LeetCode, enfocándote en estructuras de datos (árboles, grafos, hash maps) y algoritmos (búsqueda, ordenación, programación dinámica). Te pedirán que escribas código limpio, expliques tu razonamiento en voz alta y analices la complejidad temporal y espacial.

Entrevista de diseño de sistemas de ML

Esta es la más crítica. Te plantearán un problema abierto como: "Diseña un sistema para detectar viajes fraudulentos en tiempo real" o "Cómo recomendarías restaurantes a un usuario nuevo".

La estructura es clave:

1. Clarifica los requisitos: ¿Qué métrica de negocio queremos mejorar? ¿Latencia en milisegundos o es batch? ¿Qué volumen de datos tenemos?
2. Propón una solución de alto nivel: Define la arquitectura. ¿Qué fuentes de datos? ¿Cómo procesarías los features? ¿Qué tipo de modelo usarías (ej. un modelo de ensemble para fraude, un sistema de filtrado colaborativo para recomendaciones)?
3. Profundiza en el detalle: Habla del entrenamiento, la evaluación (qué métrica usarías, no solo accuracy), y el despliegue. ¿Cómo servirías el modelo (API, streaming)? ¿Cómo lo monitorizarías para detectar drift?
4. Discute trade-offs: ¿Por qué ese modelo y no otro? ¿Cómo manejas el cold-start en recomendaciones? ¿Qué pasa si el modelo se degrada?

No inventes que Uber usa un stack específico. Enfócate en los principios: escalabilidad, baja latencia, monitorización.

Prepara tus respuestas comportamentales#

Uber usa principios como "We build globally, we live locally" o "We are customer obsessed". Prepara historias con el método STAR (Situación, Tarea, Acción, Resultado) que demuestren que puedes trabajar con ambigüedad, colaborar con equipos de producto y tomar decisiones basadas en datos.

Una pregunta típica es: "Cuéntame un momento en que tuviste que tomar una decisión técnica difícil sin tener toda la información".

Respuesta ejemplo (estructura STAR):

Situación: "En mi proyecto anterior, teníamos que elegir entre un modelo de deep learning complejo o un modelo de boosting más simple para un sistema de recomendación."

Tarea: "Mi tarea era recomendar la opción que mejor balanceara rendimiento y coste operativo para un lanzamiento rápido."

Acción: "Analicé el coste de entrenamiento y latencia de inferencia de ambos. El modelo de deep learning era un 3% más preciso pero 10 veces más lento y costoso. Propuse empezar con el modelo simple, monitorizarlo y tener un plan para iterar."

Resultado: "Lanzamos en el plazo previsto. El modelo simple mejoró la métrica de engagement en un 12%. A los tres meses, con más datos, implementamos el modelo más complejo solo para un segmento de usuarios, logrando otro 5% de mejora sin afectar la estabilidad del sistema."

Esta respuesta muestra pensamiento crítico, pragmatismo y orientación al negocio.

Salarios y el mercado en España y LatAm#

Los rangos salariales varían mucho. En España, un ML Engineer en una multinacional tech puede esperar rangos desde los 45.000€ hasta los 80.000€ brutos anuales, dependiendo de la experiencia y la ciudad. En LatAm, los rangos son muy dispares por país. Siempre verifica los datos actuales en portales especializados y negocia basándote en tu valor y el costo de vida local. No hay garantías.

Herramientas gratis#

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

Preguntas frecuentes#

¿Qué nivel de experiencia piden para este puesto?

Suelen buscar desde perfiles junior con proyectos sólidos hasta seniors con 5+ años de experiencia en ML en producción. El titulo exacto (I, II, Senior) define el nivel de responsabilidad y autonomía esperado.

¿Es obligatorio tener un máster o doctorado en ML?

No es estrictamente obligatorio, pero es común entre los candidatos. Lo que más valoran es la experiencia práctica demostrable. Un bootcamp intensivo con proyectos de producción puede ser tan válido como un título académico.

¿Cómo son las entrevistas de diseño de sistemas de ML?

Son conversaciones técnicas de 45-60 minutos donde diseñas un sistema de ML en un pizarra (virtual). No buscan la solución perfecta, sino tu proceso de pensamiento: cómo defines el problema, haces trade-offs y consideras la escalabilidad y los costes.

¿Qué stack tecnológico debo conocer?

Python es imprescindible. Familiarízate con PyTorch o TensorFlow, y con herramientas de la nube (AWS, GCP o Azure). Conocer Spark para procesamiento de datos a gran escala y herramientas de MLOps como MLflow o Kubeflow es un gran plus.

¿Puedo aplicar desde fuera de España o LatAm?

Sí, Uber contrata de forma remota y tiene oficinas en varias ciudades. Sin embargo, los paquetes de compensación y los requisitos de visado varían según la ubicación. Debes consultar las condiciones específicas en la oferta de empleo que encuentres en nuestro portal de empleo.