1. Misión del puesto:
La Investigadora Senior de IA liderará el desarrollo técnico del núcleo de inteligencia artificial del sistema PV-AI Vision™, un producto propio para la inspección automatizada de plantas fotovoltaicas mediante imágenes de drones. Trabajará directamente con el Investigador Principal (Paulo Peña, PhD-UPM) y con el Dr. Marcelo Ortega Romero (Catedrático UPM-TECMINERGY), y será la responsable técnica de los modelos de visión computacional que forman el corazón del producto.
El proyecto dispone de un banco de pruebas real y exclusivo: 4,5 MW de plantas fotovoltaicas operativas en Ecuador (Activenergy S.A.), donde se capturarán los datos de entrenamiento con drones DJI Mavic 3 y cámara termográfica Fluke VT04. Esto significa que la investigadora trabajará con datos propios reales desde el primer mes, no con datasets públicos genéricos.
2. Responsabilidades principales:
2.1 Desarrollo de modelos de visión computacional
• AFine-tuning de SAM2 (Segment Anything Model 2) para segmentación automática de módulos fotovoltaicos en ortomosaicos georreferenciados. Objetivo: IoU > 0.90.
• Entrenamiento y optimización de modelos de detección de objetos (YOLOv8/v11) para identificar y clasificar defectos visuales en módulos FV. Objetivo: mAP@0.5 > 0.85 en 10 clases de defecto.
• Desarrollo de modelos de clasificación de severidad de defectos (ResNet fine-tuned) en tres niveles conforme a la norma IEC 62446-3.
• Investigación e implementación del módulo multimodal RGB+Termal: fusión de imágenes de cámara estándar y sensor infrarrojo para detección de hotspots, PID y string failures.
2.2 Gestión de datos y dataset propietario
• Diseño y gestión del pipeline de anotación y control de calidad del dataset propietario (objetivo >20.000 imágenes). Plataformas: Roboflow Team, Label Studio, CVAT.
• Diseño del protocolo de captura de imágenes en campo (resolución GSD, solapamiento, condiciones de luz), en coordinación con el técnico de campo en Ecuador.
• Implementación de técnicas de augmentación de datos y generación sintética para ampliar el dataset de clases con poca representación (microfracturas, delaminaciones).
2.3 Infraestructura y MLOps
• Gestión del pipeline de entrenamiento en GPU cloud (AWS SageMaker o Google Colab Pro+) y en los laboratorios HPC de la UPM (CeSViMa, acceso garantizado por convenio UPM).
• Versionado de modelos, experimentos y métricas con MLflow o Weights & Biases.
• Colaboración con el Investigador I4 (backend) en la integración de los modelos en la plataforma web PV-AI Vision™ mediante APIs.
2.4 Publicación científica y transferencia
• Co-autoría de al menos 1 artículo científico en revista Scopus Q1/Q2 sobre el método de inspección FV con IA desarrollado en el proyecto. Co-autoría con el Dr. Ortega Romero (UPM).
• Participación en presentaciones en congresos del sector (Intersolar Europe, UNEF).
3. Perfil requerido:
3.1 Formación — indispensable
• Titulación: Doctora en IA, Visión Computacional, Machine Learning, Ingeniería Informática o Matemáticas. O bien, 3ᵉʳ grado (Grado + Máster) con ≥5 años experiencia demostrada en el stack técnico requerido.
• Tesis / TFM: Relacionada con deep learning, detección de objetos, segmentación semántica o análisis de imagen. Trabajo verificable (repositorio GitHub, publicaciones o similar).
• Publicaciones: Deseable mínimo 1 artículo en revista Scopus Q1 o Q2 en IA/Computer Vision. No excluyente si la experiencia práctica es sólida.
• Idiomas: Español fluido (trabajo cotidiano). Inglés B2 o superior (publicaciones, red MIT, documentación técnica).
3.2 Stack técnico — obligatorio
• Deep learning: PyTorch (principal) o TensorFlow/Keras. Entrenamiento, fine-tuning, transferencia de aprendizaje.
• Detección objetos: YOLO (v8/v11/NAS), DETR, Faster R-CNN. Experiencia en entrenamiento con datasets propios.
• Segmentación: SAM, SAM2, Mask R-CNN, U-Net. Segmentación semántica e instancia.
• Visión computacional: OpenCV, Albumentations, PIL/Pillow. Procesamiento de ortomosaicos y mosaicos geoespaciales.
• Gestión datasets: Roboflow, Label Studio, CVAT. Diseño de protocolos de etiquetado y QC.
• Python científico: NumPy, Pandas, scikit-learn, Matplotlib, Seaborn.
• MLOps (deseable): MLflow, W&B, Docker. Versionado de experimentos y modelos.
• Geoespacial (deseable): QGIS, Rasterio, Shapely, PostGIS. Trabajo con imágenes georreferenciadas.
3.3 Competencias personales
• Autonomía técnica: capacidad para tomar decisiones de arquitectura de modelos sin supervisión constante.
• Orientación a resultados verificables: el proyecto tiene hitos con métricas concretas (mAP, IoU, recall). La investigadora debe estar cómoda con esta forma de trabajar.
• Disposición a trabajo de campo: al menos 2-3 desplazamientos a Ecuador durante el proyecto para campañas de captura de imágenes.
• Capacidad de publicar: redacción de artículos científicos en inglés.
• Trabajo en equipo multidisciplinar: interacción con ingeniero FV (IP), Catedrático UPM, técnico backend y técnico de campo.
4. Condiciones del puesto y proceso de selección:
4.1 Condiciones contractuales
Tipo de contrato Laboral: INDEFINIDO a jornada COMPLETA
Salario bruto anual: €30.000–€42.000 según perfil (límite: €45/hora incluyendo SS)
Inicio previsto: Mes 1 del proyecto (enero 2027, pendiente resolución CDTI nov.2026)
Duración: 24 meses — con opción de continuidad en la empresa al finalizar el proyecto
Modalidad: Presencial en Madrid con posibilidad de trabajo híbrido. Desplazamientos a Ecuador (campañas de vuelo y captura de datos, 2-3 viajes/año, financiados por el proyecto).
Recursos disponibles: GPU cloud (AWS SageMaker / Colab Pro+), laboratorios HPC CeSViMa-UPM (convenio activo), dataset propietario desde día 1, equipos de campo Activenergy S.A.
