Founding Computer Vision & ML Engineer
En Latii están construyendo una plataforma AI-native con el reto de sustituir el análisis manual de planos arquitectónicos por agentes de visión artificial, operando en una industria de más de $400B y pasando a mejor vida los planos en PDF, hojas de cálculo infinitas y llamadas de teléfono.
Están montando el núcleo de su equipo técnico en Madrid y buscan a su Founding Computer Vision & ML Engineer. Deberás construir un sistema de continuous learning que mantenga la precisión mientras escalan.
Si prefieres el ownership total de una fase early al confort de una gran corporate, ¡sigue leyendo!
¿Qué harás?
🧐 El contexto:
Latii aporta claridad a la parte más fragmentada de la construcción de una vivienda: los cerramientos y envolventes. Tradicionalmente, este proceso es un agujero negro de semanas de trabajo manual, intermediarios que inflan los márgenes y una desconexión total entre lo que el arquitecto diseña y lo que finalmente se instala.
Básicamente, extraen datos de planos complejos para generar presupuestos automáticos, eliminando de un plumazo semanas de trabajo administrativo.
Sus agentes están entrenados para que interpreten visualmente la información, entiendan qué pieza va en cada hueco y generen presupuestos precisos en minutos (MINUTOS VS SEMANAS).
🙌 ¿En qué punto están?
Latii ha sido construida bajo un paradigma AI-Native. Desde sus cimientos.
Actualmente, tras haber validado el producto con clientes en USA y Europa, se encuentran en una fase de aceleración donde el objetivo es escalar su producto.
El objetivo es consolidar en Madrid el núcleo de producto e ingeniería y transformar lo que hoy son prototipos funcionales en sistemas fiables en producción.
Trabajarás mano a mano con Juan (CPO) y Miguel Ángel (Founding Engineer), con un enfoque muy práctico y de colaboración directa en el día a día en un entorno donde no todo está definido.
Habrá que tomar decisiones con información incompleta, priorizar constantemente y adaptarse a cambios. A cambio, tendrás un nivel de ownership alto desde el principio y capacidad real de influir en cómo se construye el producto.
⚙️El reto técnico
Cada cliente nuevo degrada el modelo. Cada fabricante tiene sus propios estilos de plano, geometrías no vistas y formatos propietarios. No buscan a quien entrene un modelo y lo deje corriendo. Buscan a quien construya el sistema de continuous learning que mantiene la precisión mientras escalan.
Tu misión será transformar "dirty data" (planos complejos) en datos estructurados de alta fidelidad que permitan a Latii automatizar la industria global de fenestración (ventanas y puertas), un mercado de más de $400B.
Tu foco estará en estos 4 pilares:
- Excelencia en la predicción: Entrenar, evaluar y mejorar constantemente los modelos de detección de objetos, combinando enfoques clásicos (YOLO, DETR, Faster R-CNN) con VLMs frontier (LLaVA, Qwen-VL, Donut, LayoutLM) donde aporten valor para identificar elementos minúsculos en planos densos y "sucios". No solo es detectar, es lograr que los recuadros (bounding boxes) sean perfectos.
- Extracción de inteligencia (OCR): Optimizar la lectura de tablas, dimensiones y materiales en documentos técnicos donde el texto suele solaparse con líneas arquitectónicas complejas.
- Infraestructura: Tomar el ownership total de la infraestructura de inferencia (Triton Inference Server sobre AWS) y automatizar el despliegue de modelos para que el sistema no dependa de intervenciones manuales.
- Fiabilidad en producción (MLOps): Implementar sistemas de monitoreo para detectar el model drift (cuando el modelo falla ante un nuevo estilo de plano) y crear pipelines de reentrenamiento automatizados para que el sistema aprenda y mejore continuamente.
Tu evolución
En 1 mes
Entenderás rápidamente el estado actual del producto y del sistema.
Entenderás rápidamente cómo funcionan hoy los distintos componentes (modelos, pipelines, integraciones) y dónde están los principales puntos de fricción.
El objetivo en esta fase no es cambiarlo todo, sino entender bien el contexto y empezar a aportar criterio. Te habrás sumergido en sus modelos actuales para entender sus debilidades y comenzarás a resolver los primeros problemas de precisión.
Tus responsabilidades
Optimización de modelos: Mejorarás la precisión de las bounding boxes y el razonamiento espacial sobre las detecciones en planos arquitectónicos densos.
Integración de OCR: Optimizarás modelos de OCR específicos para tablas y documentos técnicos complejos, asegurando una extracción de datos fiable.
Mantenimiento de infraestructura de inferencia: Gestionarás Triton sobre AWS, optimizando latencias y costes mediante ONNX, TensorRT o cuantización.
Observabilidad de ML: Crearás dashboards de métricas (mAP, precision/recall, latencia de inferencia) y alertas para detectar el model drift antes de que impacte al usuario.
Pipeline de datos y entrenamiento: Definirás el ciclo de vida de los modelos: desde los requisitos de anotación para el equipo en China hasta la promoción de modelos a producción.
Benchmarking reproducible: Diseñarás datasets de evaluación realistas y asegurarás que cada mejora sea validada sistemáticamente.
¿Cómo lo harás?
Trabajarás de forma iterativa junto a Juan (CPO) y Miguel Ángel (Founding Engineer) en un entorno donde el flujo de comunicación es constante y donde el foco siempre es avanzar y priorizar aquello que mueva la aguja del negocio.
Siendo AI Native, imaginarás que el uso de herramientas como Claude Code o Cursor son parte natural de su flujo de trabajo y de sus procesos de ingeniería. De esta manera, tu foco no será picar código, sino buscar la solución a problemas de ingeniería reales.
El stack en el que se basan es Python, despliegan en AWS y utilizan infraestructuras como Triton para el servicio de modelos.
El contexto es exigente y cambiante. No todo estará definido desde el principio, por lo que se espera capacidad para priorizar, tomar decisiones con información incompleta y adaptarte rápido a nuevos escenarios.
¿Cuándo trabajarás?
No tienen un horario rígido, pero sí esperan disponibilidad para coincidir con el equipo durante el día y facilitar la colaboración, especialmente con Juan (CPO).
El contexto es el de una startup en fase early, por lo que hay bastante flexibilidad en el día a día, pero también momentos donde tocará apretar para sacar cosas adelante. Aquí no se mide por horas, sino por impacto.
Día laborable
Jornada completa
Vacaciones
Ilimitado
Jornada laboral
Flexible¿Dónde trabajarás?
Presencial
Teletrabajo
Trabajarás desde Madrid, con un modelo híbrido de 3 días en oficina y el resto en remoto. La magia de Latii ocurre en Spaces Bernabéu 📍.
Para ellos, la presencialidad tiene un peso importante, especialmente en esta fase donde muchas decisiones se toman en el día a día.
¿Con quién trabajarás?
Como te avanzábamos, trabajarás mano a mano con Santiago (CEO), Juan (CPO) y Miguel Ángel (Founding Engineer).
La idea es ir construyendo progresivamente un núcleo más sólido en Madrid, especialmente en producto e ingeniería, para ganar autonomía y capacidad de ejecución en esta nueva etapa.
¿Qué piden?
Buscan a una persona que disfrute con el reto de “crear” y la responsabilidad de construir el núcleo de visión artificial desde cero en una fase early.
Alguien que disfrute dibujando el “mapa” técnico mientras se camina, sabiendo que en el campo de ML los retos no siempre tienen una solución escrita. Para ello, es fundamental tener un fuerte sentido de la responsabilidad, ser capaz de llevar varios sombreros y saber moverse con agilidad en la ambigüedad propia de una startup en construcción.
Los must:
- Tu lenguaje principal es Python y tienes experiencia real entrenando y evaluando modelos, no solo consumiéndolos con PyTorch (o similar).
- Has desplegado y optimizado modelos (YOLO/ultralytics, Faster R-CNN, DETR…) en entornos reales.
- Dominas métricas de Computer Vision y sabes diseñar benchmarks realistas. Además, tienes criterio técnico para decidir cuándo es más óptima una arquitectura ligera (YOLO, DETR) y cuándo conviene apoyarse en VLMs frontier (LLaVA, Qwen VL, Donut), entendiendo los tradeoffs de coste, latencia y precisión.
- Inglés fluido: Para colaborar con equipos en Nueva York, Toronto y China.
Los dejarás boquiabiertos si...
- Trabajas con un enfoque AI-native en tu día a día. Utilizas herramientas de AI-assisted coding (como Claude Code, Cursor u otras) como parte natural de tu flujo de trabajo, no como algo puntual. Entiendes que muchas veces el problema no está en el código, sino en cómo estructuras el contexto, los prompts o la orquestación de sistemas.
- Tienes experiencia específica con Triton Inference Server.
- Has trabajado en OCR de documentos complejos (tablas, anotaciones técnicas).
- Sabes optimizar mediante ONNX o TensorRT para reducir latencia y costes.
- Dominas herramientas de anotación como CVAT o Label Studio.
Tecnologías
Innegociable
Python
Avanzado 
PyTorch
Avanzado 
Claude Code
Intermedio 
Docker
Intermedio
Estaría bien
MLflow
Intermedio 
AWS
Intermedio
Otras habilidades
Innegociable
Autonomía en el aprendizaje
Proactividad
Trabajo en equipo
Tolerancia a la incertidumbre
Idiomas
¿Qué ofrecen?
- Founding Equity: Participación real en el proyecto desde el inicio.
- Vacaciones ilimitadas: Política de confianza basada en resultados e impacto.
- Impacto: Construirás el motor de IA que automatiza una industria global. No es una demo, es producto real con clientes reales.
Beneficios
Seguro de salud
Café, fruta y snacks
Ticket Restaurante
Vacaciones Extra
What the FAQ?
Buscan ser ágiles con su proceso:
- Reunión con Juan (CPO).
- Reunión con Santiago (CEO).
- Prueba técnica y defensa. Les importa más el cómo que el qué.