AI Research
Investigador/a de Seguridad en IA
Piensa en este rol como la oposición leal dentro de un laboratorio de IA. Mientras tus compañeros compiten por hacer que un modelo sea más capaz, los investigadores de seguridad en IA preguntan qué sucede cuando tiene éxito, pero en la dirección equivocada, por las razones equivocadas o en las manos equivocadas.
El trabajo abarca desde red-teaming de prompts, diseñar métodos constitucionales que orienten los modelos hacia un comportamiento basado en principios, hasta traducir los hallazgos en barreras de protección que los equipos de producto puedan adoptar realmente. Un buen trabajo aquí es riguroso y humilde: admite lo que aún se desconoce en lugar de encubrirlo.
Los estudiantes crecen en este camino combinando profundidad técnica en PyTorch con una lectura amplia en ética, políticas y seguridad. El campo recompensa a quienes pueden sostener ambas cosas a la vez.
- StrategyPrincipianteNuevo
Diseñar un proceso de evaluación de impacto algorítmico
Producirás (1) una plantilla de EIA con secciones obligatorias (propósito, datos, riesgos, mitigaciones, derechos de afectados, gobernanza), (2) la EIA aplicada al caso concreto…
- Algorithmic Impact Assessment
- Marcos De Gobernanza De Ia
- Cumplimiento Regulatorio
AI Ethics, Fairness, and Responsible AI - AnalysisPrincipianteNuevo
Evaluación de equidad en algoritmo de selección de candidaturas para call center
Recibes 24.000 candidaturas anonimizadas con atributos demográficos sensibles (sexo, edad, código postal de residencia) y resultados del cribado, además del propio modelo. Calcu…
- Fairness Evaluation
- Bias Analysis
- Pipeline Auditing
Trustworthy AI, Robustness, and Safety - AnalysisPrincipianteNuevo
Auditoría de seguridad del módulo de detección de un vehículo autónomo
Recibes acceso al modelo de detección de peatones del cliente (caja negra: solo inferencia, no pesos), un dataset interno de 12.000 cuadros etiquetados y permiso para ejecutar p…
- EvaluacióN De Modelos
- Adversarial Testing
- Safety Analysis
Robot Perception and Autonomy - AnalysisPrincipianteNuevo
Tarjeta de modelo y transparencia para un clasificador biométrico
Recibirás el modelo (clasificador binario: match/no match) y dos datasets: entrenamiento (anonimizado) y holdout (anonimizado). Producirás (1) datasheet del dataset siguiendo el…
- Model Cards
- Datasheets For Datasets
- Transparency Reporting
AI Ethics, Fairness, and Responsible AI Practice your coursework on real scenarios.
Every challenge is shaped from real-world context — not generic exercises. The work mirrors what your degree prepares you for.
Why Ewance
- AnalysisPrincipianteNuevo
Audita un modelo de scoring crediticio buscando sesgos por región
Recibes el modelo entrenado (random forest) y un set de validación anonimizado de 20.000 solicitudes con etiqueta verdadera y atributo de región (5 grupos). Calcula tasa de apro…
- MéTricas De Equidad
- EvaluacióN De Modelos
- Bias Auditing
Machine Learning (Undergraduate) - AnalysisPrincipianteNuevo
Auditar sesgo en un modelo de scoring de seguros
Recibirás el modelo (binario opaco que devuelve un score 0-100), 30.000 solicitudes anonimizadas con resultado real (siniestralidad a 12 meses) y atributos demográficos sensible…
- Algorithmic Fairness
- Bias Auditing
- Counterfactual Analysis
AI Ethics, Fairness, and Responsible AI - ResearchPrincipianteNuevo
Construye un dataset de preferencias para asistente de soporte
Recibes 1.500 prompts de soporte simulados (ES) y 2 respuestas generadas por prompt (A y B) por un modelo base. Diseña: (1) guidelines de anotación de 4-6 páginas con criterios …
- Preference Learning
- Rlhf
- Data Collection
Machine Learning from Human Preferences (RLHF and Alignment)
Cómo funciona
Del briefing al certificado, en seis pasos.
Paso 01
Explora retos alineados con tus estudios.
Paso 02
Acepta el que encaja con tus metas.
Paso 03
Trabájalo con la guía del AI Copilot.
Paso 04
Envíalo para una evaluación estructurada.
Paso 05
Consigue una credencial verificada.
Paso 06
Añádela a LinkedIn con un solo clic.
Roles relacionados que podrías explorar
Ver todos los roles →AI Research
Científico/a Aplicado/a de IA
Los científicos de IA aplicada viven en la tensión productiva entre los artículos de investigación y las hojas de ruta de producto. El trabajo consiste en reproducir un resultado de arxiv un martes, y decidir para el jueves si se puede adaptar a un problema que nadie más ha planteado aún. Los días combinan estudios de ablación, un diseño cuidadoso de evaluación y conversaciones con ingenieros sobre lo que es realista lanzar. Un buen trabajo aquí se parece a un experimento que refuta limpiamente tu hipótesis favorita y luego sugiere una mejor. Los estudiantes crecen en este rol al tratar PyTorch y Hugging Face Transformers como su banco de laboratorio y aprendiendo a redactar hallazgos como lo haría un científico — con suposiciones, limitaciones y un camino para que la siguiente persona amplíe el trabajo.
AI Research
Investigador/a de Machine Learning
¿Y si la atención funcionara de otra manera? ¿Y si un modelo más pequeño, entrenado mejor, pudiera igualar a uno mucho más grande? Los investigadores de ML viven persiguiendo preguntas como estas. El rol existe para expandir los límites de lo que los modelos pueden lograr — mediante estudios de ablación cuidadosos, arquitecturas novedosas y la paciente rutina de ejecutar experimentos que a menudo refutan tu hipótesis favorita. Los días combinan la lectura de artículos recientes, el esbozo de ideas y la escritura de código en JAX o PyTorch que alguien más leerá en seis meses. Los estudiantes crecen en este camino reproduciendo resultados publicados antes de inventar los propios, y aprendiendo a redactar hallazgos con honestidad intelectual. Los mejores investigadores mantienen la curiosidad sobre por qué algo funcionó, no solo que funcionó.
AI Research
Investigador/a Científico/a
¿Qué aprende realmente un modelo, y podemos demostrarlo? Los científicos de investigación en laboratorios de IA pasan sus carreras refinando esa pregunta. El trabajo alterna entre largos períodos de lectura, estudios de ablación cuidadosos en PyTorch, y el momento poco común en que un benchmark se mueve y entiendes por qué. Los kernels de CUDA y las arquitecturas de modelos de difusión están en tu caja de herramientas, pero la verdadera moneda de cambio es el criterio: saber qué experimento vale una semana de cómputo y cuál es una distracción. Los estudiantes que prosperan aquí suelen venir de machine learning, física o matemáticas puras, y leen papers como los novelistas leen novelas. Espera un largo aprendizaje reproduciendo resultados de otros antes de que tus propias ideas ganen un lugar en un venue de primer nivel.
Equipos del sector tras una década de briefings prácticos
¿Reclutando de este grupo?
Patrocina un reto y conoce candidatos a través de su trabajo real.
Los equipos de la industria pueden diseñar briefings en torno a las habilidades que buscan, y evaluar a los estudiantes por entregables puntuados con rúbrica — no por currículums.
Las habilidades y disciplinas mostradas en esta página provienen del catálogo de retos de Ewance. Cuando el salario mediano anual para este rol esté disponible vía Adzuna, se mostrará arriba con el tamaño de la muestra y el país.
Retrato: Foto de Angelo Abear en Unsplash.