La Investigadora Senior de IA liderar\u00e1 el desarrollo t\u00e9cnico del n\u00facleo de inteligencia artificial del sistema PV-AI Vision\u2122, un producto propio para la inspecci\u00f3n automatizada de plantas fotovoltaicas mediante im\u00e1genes de drones. Trabajar\u00e1 directamente con el Investigador Principal (Paulo Pe\u00f1a, PhD-UPM) y con el Dr. Marcelo Ortega Romero (Catedr\u00e1tico UPM-TECMINERGY), y ser\u00e1 la responsable t\u00e9cnica de los modelos de visi\u00f3n computacional que forman el coraz\u00f3n del producto.<\/p>\n
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 capturar\u00e1n los datos de entrenamiento con drones DJI Mavic 3 y c\u00e1mara termogr\u00e1fica Fluke VT04. Esto significa que la investigadora trabajar\u00e1 con datos propios reales desde el primer mes, no con datasets p\u00fablicos gen\u00e9ricos.<\/p>\n
2.1 Desarrollo de modelos de visi\u00f3n computacional<\/p>\n
\u2022 AFine-tuning de SAM2 (Segment Anything Model 2) para segmentaci\u00f3n autom\u00e1tica de m\u00f3dulos fotovoltaicos en ortomosaicos georreferenciados. Objetivo: IoU > 0.90.
\n\u2022 Entrenamiento y optimizaci\u00f3n de modelos de detecci\u00f3n de objetos (YOLOv8\/v11) para identificar y clasificar defectos visuales en m\u00f3dulos FV. Objetivo: mAP@0.5 > 0.85 en 10 clases de defecto.
\n\u2022 Desarrollo de modelos de clasificaci\u00f3n de severidad de defectos (ResNet fine-tuned) en tres niveles conforme a la norma IEC 62446-3.
\n\u2022 Investigaci\u00f3n e implementaci\u00f3n del m\u00f3dulo multimodal RGB+Termal: fusi\u00f3n de im\u00e1genes de c\u00e1mara est\u00e1ndar y sensor infrarrojo para detecci\u00f3n de hotspots, PID y string failures.<\/p>\n
2.2 Gesti\u00f3n de datos y dataset propietario<\/p>\n
\u2022 Dise\u00f1o y gesti\u00f3n del pipeline de anotaci\u00f3n y control de calidad del dataset propietario (objetivo >20.000 im\u00e1genes). Plataformas: Roboflow Team, Label Studio, CVAT.
\n\u2022 Dise\u00f1o del protocolo de captura de im\u00e1genes en campo (resoluci\u00f3n GSD, solapamiento, condiciones de luz), en coordinaci\u00f3n con el t\u00e9cnico de campo en Ecuador.
\n\u2022 Implementaci\u00f3n de t\u00e9cnicas de augmentaci\u00f3n de datos y generaci\u00f3n sint\u00e9tica para ampliar el dataset de clases con poca representaci\u00f3n (microfracturas, delaminaciones).<\/p>\n
2.3 Infraestructura y MLOps<\/p>\n
\u2022 Gesti\u00f3n 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).
\n\u2022 Versionado de modelos, experimentos y m\u00e9tricas con MLflow o Weights & Biases.
\n\u2022 Colaboraci\u00f3n con el Investigador I4 (backend) en la integraci\u00f3n de los modelos en la plataforma web PV-AI Vision\u2122 mediante APIs.<\/p>\n
2.4 Publicaci\u00f3n cient\u00edfica y transferencia<\/p>\n
\u2022 Co-autor\u00eda de al menos 1 art\u00edculo cient\u00edfico en revista Scopus Q1\/Q2 sobre el m\u00e9todo de inspecci\u00f3n FV con IA desarrollado en el proyecto. Co-autor\u00eda con el Dr. Ortega Romero (UPM).
\n\u2022 Participaci\u00f3n en presentaciones en congresos del sector (Intersolar Europe, UNEF).<\/p>\n
3.1 Formaci\u00f3n \u2014 indispensable<\/p>\n
\u2022 Titulaci\u00f3n: Doctora en IA, Visi\u00f3n Computacional, Machine Learning, Ingenier\u00eda Inform\u00e1tica o Matem\u00e1ticas. O bien, 3\u1d49\u02b3 grado (Grado + M\u00e1ster) con \u22655 a\u00f1os experiencia demostrada en el stack t\u00e9cnico requerido.
\n\u2022 Tesis \/ TFM: Relacionada con deep learning, detecci\u00f3n de objetos, segmentaci\u00f3n sem\u00e1ntica o an\u00e1lisis de imagen. Trabajo verificable (repositorio GitHub, publicaciones o similar).
\n\u2022 Publicaciones: Deseable m\u00ednimo 1 art\u00edculo en revista Scopus Q1 o Q2 en IA\/Computer Vision. No excluyente si la experiencia pr\u00e1ctica es s\u00f3lida.
\n\u2022 Idiomas: Espa\u00f1ol fluido (trabajo cotidiano). Ingl\u00e9s B2 o superior (publicaciones, red MIT, documentaci\u00f3n t\u00e9cnica).<\/p>\n
3.2 Stack t\u00e9cnico \u2014 obligatorio<\/p>\n
\u2022 Deep learning: PyTorch (principal) o TensorFlow\/Keras. Entrenamiento, fine-tuning, transferencia de aprendizaje.
\n\u2022 Detecci\u00f3n objetos: YOLO (v8\/v11\/NAS), DETR, Faster R-CNN. Experiencia en entrenamiento con datasets propios.
\n\u2022 Segmentaci\u00f3n: SAM, SAM2, Mask R-CNN, U-Net. Segmentaci\u00f3n sem\u00e1ntica e instancia.
\n\u2022 Visi\u00f3n computacional: OpenCV, Albumentations, PIL\/Pillow. Procesamiento de ortomosaicos y mosaicos geoespaciales.
\n\u2022 Gesti\u00f3n datasets: Roboflow, Label Studio, CVAT. Dise\u00f1o de protocolos de etiquetado y QC.
\n\u2022 Python cient\u00edfico: NumPy, Pandas, scikit-learn, Matplotlib, Seaborn.
\n\u2022 MLOps (deseable): MLflow, W&B, Docker. Versionado de experimentos y modelos.
\n\u2022 Geoespacial (deseable): QGIS, Rasterio, Shapely, PostGIS. Trabajo con im\u00e1genes georreferenciadas.<\/p>\n
3.3 Competencias personales<\/p>\n
\u2022 Autonom\u00eda t\u00e9cnica: capacidad para tomar decisiones de arquitectura de modelos sin supervisi\u00f3n constante.
\n\u2022 Orientaci\u00f3n a resultados verificables: el proyecto tiene hitos con m\u00e9tricas concretas (mAP, IoU, recall). La investigadora debe estar c\u00f3moda con esta forma de trabajar.
\n\u2022 Disposici\u00f3n a trabajo de campo: al menos 2-3 desplazamientos a Ecuador durante el proyecto para campa\u00f1as de captura de im\u00e1genes.
\n\u2022 Capacidad de publicar: redacci\u00f3n de art\u00edculos cient\u00edficos en ingl\u00e9s.
\n\u2022 Trabajo en equipo multidisciplinar: interacci\u00f3n con ingeniero FV (IP), Catedr\u00e1tico UPM, t\u00e9cnico backend y t\u00e9cnico de campo.<\/p>\n
4.1 Condiciones contractuales<\/p>\n
Tipo de contrato Laboral:\u00a0 INDEFINIDO a jornada COMPLETA
\nSalario bruto anual:\u00a0 \u20ac30.000\u2013\u20ac42.000 seg\u00fan perfil (l\u00edmite: \u20ac45\/hora incluyendo SS)
\nInicio previsto: Mes 1 del proyecto (enero 2027, pendiente resoluci\u00f3n CDTI nov.2026)
\nDuraci\u00f3n: 24 meses \u2014 con opci\u00f3n de continuidad en la empresa al finalizar el proyecto
\nModalidad: Presencial en Madrid con posibilidad de trabajo h\u00edbrido. Desplazamientos a Ecuador (campa\u00f1as de vuelo y captura de datos, 2-3 viajes\/a\u00f1o, financiados por el proyecto).
\nRecursos disponibles: GPU cloud (AWS SageMaker \/ Colab Pro+), laboratorios HPC CeSViMa-UPM (convenio activo), dataset propietario desde d\u00eda 1, equipos de campo Activenergy S.A.<\/p>\n","protected":false},"excerpt":{"rendered":"
1. Misi\u00f3n del puesto: La Investigadora Senior de IA liderar\u00e1 el desarrollo t\u00e9cnico del n\u00facleo de inteligencia artificial del sistema PV-AI Vision\u2122, un producto propio para la inspecci\u00f3n automatizada de plantas fotovoltaicas mediante im\u00e1genes de drones. Trabajar\u00e1 directamente con el Investigador Principal (Paulo Pe\u00f1a, PhD-UPM) y con el Dr. Marcelo Ortega Romero (Catedr\u00e1tico UPM-TECMINERGY), y […]<\/p>\n","protected":false},"author":3,"featured_media":0,"template":"","meta":{"_acf_changed":false,"_joinchat":[]},"class_list":["post-44133","awsm_job_openings","type-awsm_job_openings","status-publish","hentry","empresa-pena-investment-consulting-s-l","job-type-contrato-indefinido","rango-salarial-30-000-42-000e","localizacion-madrid"],"acf":[],"yoast_head":"\n