Álvaro
Data Scientist
“En un entorno con tanta incertidumbre, Shakers te da una capa de tranquilidad y confianza. Sin duda, lo que más me gusta es la flexibilidad y la posibilidad de tocar proyectos top.”
Unirme a ShakersShakers para talento experto
Construye tu carrera como Machine Learning Engineer
Proyectos donde el modelo y su puesta en producción son el encargo: qué se predice, con qué datos y sirviendo para qué. Shakers te conecta con empresas que llegan con el histórico y necesitan el sistema, no con un curso que completar.
El empleo de machine learning en España es full-time de producto e industria, y el rol se titula en inglés. La salida por proyecto apenas tenía puerta castellana: marketplaces globales y un foro con tarifas de hace una década.
Esto no es una ruta de formación: es qué se entrega en un encargo real, qué se te pide demostrar y dónde acaba tu territorio.
- Proyectos con alta remuneración
- Más continuidad entre proyectos
- Mayor reconocimiento por tu experiencia
+3.000
Proyectos tech publicados en Shakers
+90
Especialidades de Tech, Product y Data forman parte de Shakers
6 meses
Media de duración de un proyecto con Shakers
4.7/5
Satisfacción de nuestros AI Builders en Trustpilot
Carreras de AI Builders Impulsadas por Shakers
Descubre cómo otros AI Builders acceden a mejores proyectos, construyen su reputación y hacen crecer su carrera.
Amelia
AI Agent Developer
“Llevo años construyendo agentes de IA. Gracias a Shakers dejé de buscar clientes y empecé a elegir realmente en qué proyectos quería colaborar. Trabajo con algunas de las mejores empresas europeas, a mi tarifa, y me centro en lo que sé hacer y me apasiona: construir.”
Unirme a Shakers
Luz
Backend Developer & Data Engineer
“Shakers aporta mucho valor porque te conecta con proyectos más afinados, ya filtrados y mejor definidos. Te ahorra gran parte del trabajo inicial de entender al cliente, presupuestar y valorar si merece la pena, y eso hace que como freelance puedas ir mucho más directa a oportunidades que realmente encajan contigo.”
Unirme a Shakers
Rubén
Software Developer
“La vida como freelance tiene muchas cosas y no siempre es fácil. Nos gusta centrarnos en lo que sabemos hacer, pero también hay que gestionar clientes, facturación y buscar oportunidades. Para mí, Shakers ha sido clave porque hace esa prospección por mí, transmite confianza al cliente desde el primer momento y nos permite formar parte de una comunidad con entusiasmo real.”
Unirme a Shakers
Alejandro
AI Developer
“Shakers fue clave para sacar adelante mi empresa: me dio la flexibilidad para seguir trabajando como freelance mientras construía mi siguiente etapa. Sin Shakers, habría tenido que levantar financiación o retrasar el proyecto.”
Unirme a Shakers
Toño
Product Designer
“Con Shakers he conseguido proyectos recurrentes que me dan tranquilidad y margen para crecer como profesional. No es solo acceder a clientes de calidad: es sentir que tienes una red que te acompaña, te conecta con oportunidades reales y te ayuda a avanzar como freelance.”
Unirme a ShakersLo que decide un Machine Learning Engineer cada semana
Un Machine Learning Engineer diseña, entrena y despliega modelos de machine learning: prepara los datos, entrena y evalúa con Python, PyTorch o scikit-learn, y lleva el modelo a producción con pipelines, contenedores y monitorización. Su entregable es un sistema que aprende, no un informe.
Su frontera: el data scientist explora datos y decide; el AI Engineer construye sobre modelos de fundación y LLMs; el MLOps industrializa lo que otro entrenó. El ML Engineer lleva el modelo de los datos al sistema.
Decides qué se predice y con qué métrica se juzga, entrenas y evalúas con PyTorch o scikit-learn, y cuidas que el modelo llegue a producción: pipeline, MLflow, contenedores. También decides lo que no se entrena: un caso sin datos que lo sostengan se rechaza con argumento. La apuesta es del negocio; el sistema que aprende, tuyo.
PythonPyTorchTensorFlowscikit-learnSQLSparkMLflowDockerKubernetesCI/CDAWS SageMakerVertex AIAzure MLAirflowKafkaHugging Face
Modelos predictivosPipelines de datosEvaluación de modelosMLflowPuesta en producciónModelos de fundación
Acceso gratuito y sin comisiones ocultas
Cómo funciona Shakers para el talento
Crea tu perfil
Cuéntanos quién eres, qué sabes hacer, en qué proyectos quieres trabajar y cuáles son tu disponibilidad y tarifa.
Consigue tu certificación
Certificamos tu experiencia y uso de IA para que las empresas entiendan y confíen en lo que puedes aportar.
Haz match con proyectos
Te conectamos con proyectos bien remunerados que encajan con tu expertise y tus preferencias.
Proyectos a la altura de tus expectativas
Trabaja en proyectos reales, con equipos que necesitan tu expertise y sin perder tiempo buscando oportunidades.
Proyectos que encajan contigo
Colabora con empresas que necesitan tu stack y experiencia para llevar sus proyectos a producción.
Oportunidades que llegan a ti
Nuestro matching por IA conecta tu perfil con los proyectos que encajan con tus preferencias.
Tú construyes. Shakers se encarga del resto
Define tus condiciones según tu seniority. Nosotros gestionamos contratos, pagos y documentación.
Qué entrega un Machine Learning Engineer en Shakers
El encargo llega con el modelo
La predicción que el negocio espera, el histórico que existe y el sistema que falta: un problema de modelo, no una lista de herramientas.
Del dato al serving
Métrica definida, entrenamiento evaluado y modelo sirviendo: pipeline, MLflow y contenedores. Entregables que el equipo puede ejecutar.
La librería que el caso pida
PyTorch, TensorFlow o scikit-learn según el problema, y MLflow para versionar. La herramienta es la que el caso necesita, no la de moda.
Modelos contados, no cursos
Haber entrenado con consecuencias reales y saber contarlo: qué predijiste, con qué datos, cómo lo validaste y qué decidió el negocio.
Entrenar también es descartar
Elegir entre el modelo que pide el cliente y el dato que no sostiene la predicción. A veces gana no entrenar, y defenderlo con evidencia es del oficio.
Hasta dónde llega tu encargo
Construyes el modelo y lo sirves; el análisis del pasado es del data scientist y el canal de datos, del data engineer. Si cruza, se suma su fila.
Preguntas frecuentes
Si tienes cualquier otra duda, escríbenos y te respondemos.
¿Qué hace un Machine Learning Engineer por proyecto?
Construye el sistema que aprende: define la métrica, prepara los datos, entrena con Python y deja el modelo sirviendo con pipeline y monitorización. Un caso, un periodo y una métrica.
¿Se puede vivir del machine learning freelance?
La referencia que domina la búsqueda es un hilo con tarifas en dólares de hace una década. La vía castellana no existía: hoy el clúster de ML de Shakers reúne a 179 especialistas por encargo.
¿Cuánto cobrar como Machine Learning Engineer freelance?
Lo marca el mecanismo: seniority, sector, tipo de modelo y factura por proyecto o por días. La comparativa con el empleo en plantilla la detalla la guía del blog; tu presupuesto se cierra por encargo.
¿Sigue existiendo el rol con modelos de fundación?
Sí: quien entrenaba desde cero hoy también construye sobre modelos de fundación, con fine-tuning y RAG. La oferta ya lo titula así ('GenAI/LLM/RAG'); el oficio cubre las dos mitades.
¿Hay encargo suficiente en España para el rol?
El empleo manda la señal: 329 ofertas tech en España mencionan machine learning engineer, de Wallapop a Airbus (análisis de mercado de Shakers, n=31.957, septiembre de 2026). La vía por proyecto es la que faltaba.
¿Cómo entro sin red de contactos?
Certificándote: el proceso certifica tu práctica y el colectivo trae los encargos. Tu trabajo es demostrar modelos con consecuencias reales; conectar cada proyecto con tu perfil, nuestro.
El día a día del oficio
El histórico que nadie limpió, la métrica que nadie definió y el prototipo que se quedó en el notebook. Menos teoría de curso y más modelos sirviendo con la evaluación documentada.
El mercado te titula en inglés
Ingeniero de machine learning, la forma castellana de nombrar el rol, vive en las guías; la oferta titula en inglés. 329 ofertas tech activas en España mencionan el título, de Wallapop a Airbus Helicopters (análisis de mercado de Shakers, n=31.957, septiembre de 2026). Tu título es inglés también aquí; tu encargo, modelos de punta a punta.
La capa de fundación no te sustituye
Gran parte del trabajo que antes empezaba de cero hoy construye sobre modelos de fundación: fine-tuning, embeddings, RAG. El oficio no desaparece: cambia de punto de partida, y quien domina las dos mitades vale doble.
Cómo se llega desde otro oficio
La puerta frecuente es el data scientist que empezó a producir, o el backend Python que se quedó cuidando el modelo. Si ya entrenas y evalúas fuera del curso, tienes media batalla ganada.
Con quién compartes el modelo
Un modelo no vive solo: quien explora los datos, quien los canaliza y quien opera la producción cruzan tu camino en cada encargo.
Data Scientist
La frontera directa: el data scientist explora y decide, el ML Engineer construye y produce. La oferta los funde en dobles títulos; cada encargo trae la frontera escrita.
AI Engineer
La otra frontera: LLMs, agentes y RAG sobre modelos de fundación. Cuando el encargo pide la capa generativa además del modelo propio, su fila la levanta.
Data Engineer
El suministro del modelo: Spark, Airflow y el pipeline que deja el histórico listo. Sin dato preparado, tu sistema aprende de nada; su fila lo construye.
Experto Python
El idioma del oficio: pandas, APIs y automatización. Cuando el modelo ya sirve y falta la aplicación alrededor, su fila construye el producto.
DevOps Engineer
Quien opera la plataforma que sirve tu modelo: Kubernetes, Terraform y CI/CD. Cuando el encargo crece hacia infraestructura, su fila entra al proyecto.
Las fronteras entre estos roles se acuerdan en cada proyecto: no las fija el título.
Da el siguiente paso con Shakers
¿Quieres construir modelos que sirvan?
Supera la certificación de Shakers y elige en qué modelos pones tu criterio.
