Durante los últimos meses he estado entrevistándome para roles de Platform Engineer y quería recopilar algunas de las preguntas más interesantes que han surgido. En Q2BSTUDIO, empresa de desarrollo de software, aplicaciones a medida y especialistas en inteligencia artificial, ciberseguridad y servicios cloud aws y azure, nos enfocamos en construir plataformas robustas y seguras que aceleran a los equipos de ingeniería. Si tu empresa busca escalar con software a medida, ia para empresas, agentes IA, servicios inteligencia de negocio o power bi, podemos ayudarte de punta a punta. Conoce nuestros servicios cloud aws y azure y cómo encajan con tus objetivos de negocio.
Pregunta frecuente: cuál es la diferencia entre un Dockerfile y un contenedor. Un Dockerfile es una receta declarativa que describe cómo construir una imagen: base, paquetes, variables, puertos y comandos. La imagen es el artefacto inmutable resultante de esa receta. Un contenedor, en cambio, es una instancia en ejecución de una imagen, con su sistema de archivos aislado, red y límites de recursos. Resumen: Dockerfile define, la imagen empaqueta, el contenedor ejecuta.
Conocimientos de redes que suelen evaluar: VPC como segmento de red aislado con subredes públicas y privadas; direccionamiento IP y CIDR; rutas estáticas y dinámicas; BGP para intercambio de rutas entre sistemas autónomos en escenarios híbridos o multicloud; firewalls y listas de control de acceso a nivel de VPC, subred e instancia; NAT y gateways; DNS interno y externo; peering y conectividad entre redes para comunicación segura cross network, considerando latencia, MTU, seguridad de extremo a extremo y observabilidad.
Ejercicio práctico: crear con Terraform un módulo que aprovisione en Google Cloud Platform una VPC y un clúster de Google Kubernetes Engine con todos los prerrequisitos: redes, subredes, reglas de firewall, service accounts, workload identity, node pools y políticas de autoscaling. Usé ese entorno para probar CPanel posteriormente, lo que rompió el build, pero todo quedó listo para la entrevista de revisión técnica. Si te interesa, echa un vistazo al código en este repositorio.
Otra pregunta desafiante: cómo permitir que ingenieros encoloquen funciones y asegurar que no excedan un tiempo máximo de ejecución sin usar inspect. Enfoque general: usar una cola de trabajos y ejecutar cada tarea en un proceso o contenedor aislado con límites duros. En Python, concurrent.futures permite establecer timeout en futures y cancelar el trabajo; para límites reales, ejecutar en multiprocessing y terminar el proceso si supera el tiempo máximo. En Kubernetes, usar un Job con activeDeadlineSeconds y recursos limitados; acompañar con un sidecar watchdog que finaliza el contenedor si excede el tiempo. En sistemas de colas como Redis o SQS con workers tipo Celery, configurar hard time limits y reintentos con backoff. Añadir idempotencia, timeouts de cliente y métricas para detectar y mitigar trabajos colgados.
Más allá de la entrevista, lo clave es diseñar plataformas reproducibles y seguras: infraestructura como código, automatización de pipelines, observabilidad de extremo a extremo, seguridad por diseño y costes controlados. En Q2BSTUDIO ayudamos a construir estos cimientos con aplicaciones a medida, automatización, ciberseguridad y datos. Si quieres orquestar tus flujos de trabajo y reducir tiempos de entrega, conoce nuestra oferta de automatización de procesos. Y si buscas potenciar decisiones con datos, también trabajamos con servicios inteligencia de negocio y power bi. Escríbenos y llevemos tu plataforma al siguiente nivel.