AI Governance Engineer

Role Description: AI Governance Engineer / AI Governance Technical Lead
Sólida experiencia en AI Engineering, Data Engineering y plataformas de IA, para liderar y ejecutar todas las capacidades clave de AI Governance en un ecosistema enterprise. El rol operará en la intersección entre ingeniería, seguridad, cumplimiento, operaciones y arquitectura, asegurando que los sistemas basados en IA —incluyendo agentes, asistentes, copilots, modelos fundacionales y pipelines multimodales— funcionen con confiabilidad, trazabilidad, eficiencia y seguridad.
La persona será responsable de traducir principios de Responsible AI, observabilidad y gobierno operacional en controles técnicos concretos, métricas auditables, marcos de evaluación, y arquitecturas gobernadas de agentes y modelos.
Responsabilidades principales
1. AI Governance Architecture & Engineering
Diseñar e implementar los componentes técnicos del marco de AI Governance (políticas, estándares, checklists, taxonomías, RACI).
Integrar prácticas de gobierno con MLOps/LLMOps: experiment tracking, model registry, approval gates, y audit trails.
Diseñar patrones seguros para Agentic AI, A2A orchestration, MCP, retrieval pipelines, y multimodal reasoning loops.
2. LLM Observability & Reliability
Implementar y operar plataformas de LLM Observability (telemetría, trazas, logs de prompts, etc)
Crear y monitorear métricas de confiabilidad: hallucination rate, toxicity, drift, model mismatch, grounding quality, function-call accuracy, etc.
Configurar alertas, dashboards y automatizaciones de intervención temprana.
3. Responsible AI (RAI) & Risk Management
Aplicar frameworks de RAI (sesgo, equidad, transparencia, interpretabilidad, privacidad, explainability).
Realizar evaluaciones de riesgo técnico y operacional para agentes, copilots, modelos y herramientas conectadas.
Asegurar cumplimiento con normativas (AI Act, GDPR, ISO 42001, HITRUST, HIPAA, etc., según corresponda).
4. FinOps y Optimización de Costos
Analizar patrones de uso de modelos y agentes para optimizar costos y latencias.
Diseñar políticas de throttling, routing inteligente (model selection), caching y documentación de costos por servicio.
Definir métricas de eficiencia: costo por interacción, tokens por tarea, LLM ROI, etc.
5. Security & Privacy for AI Systems
Implementar medidas técnicas para aislamiento de datos, tokenization, PII protection, zero-trust para agentes y tool use.
Gestionar riesgos de prompt injection, data leakage, jailbreaks, y ataques a modelos.
Coordinar con equipos de SecOps para integraciones SIEM/SOAR y threat modeling específico para agentes.
6. QA, Evaluation, Metrics & Benchmarking
Definir y operar pipelines de evaluación automática (offline y online) para modelos y agentes.
Desarrollar benchmarks: accuracy, grounding, reliability, workflow-success rate, chain-of-thought variability, etc.
Diseñar A/B tests, shadow mode y controles canary para despliegues seguros.
Requisitos técnicos
Experiencia sólida en AI Engineering / ML Engineering (Python, pipelines, modelos, embeddings, RAG, vector DBs).
Conocimiento de MLOps/LLMOps: MLflow, Vertex, Azure ML, SageMaker, Databricks, Weights & Biases, Langfuse, Arize, etc.
Experiencia con orquestación de agentes (LangChain, CrewAI, AutoGen, MCP, frameworks de Agentic AI).
Experiencia con Data Engineering: ETL/ELT, APIs, bases relacionales y NoSQL, manejo de data quality.
Buen entendimiento de seguridad en AI: prompt injection, data isolation, red teaming.
Deseable: Familiaridad con estándares: NIST AI RMF, AI Act, ISO 42001, ISO 27001, SOC2, GDPR.
Deseable: Conocimiento de frameworks de evaluación de LLM: HELM, RAGAS, DeepEval, Promptfoo, TruLens, bespoke evals.
Soft Skills
Capacidad de articular riesgos técnicos a stakeholders no técnicos.
Pensamiento sistémico y enfoque holístico en la gobernanza de productos de IA.
Proactividad para identificar vulnerabilidades y oportunidades de optimización.
Enfoque pragmático: gobernar sin bloquear la innovación.