— Trabajo
Sistemas construidos.
Problemas resueltos.
Los nombres de los clientes son confidenciales, la mayoría por NDA y el resto porque extiendo la misma cortesía en cualquier caso. Lo que sí puedo mostrar es la parte que predice si puedo resolver tu problema: qué hace cada sistema, por qué fue difícil y qué lo mantuvo en pie en producción.
Las secciones «el problema interesante» son las que merecen lectura. Cualquiera puede listar tecnologías. Pocos saben articular por qué un sistema fue difícil.
Plataforma de orquestación multiagente en producción
Qué es
Una plataforma SaaS que construye webs empresariales completas, para cualquier tipo de negocio, mediante un sistema de orquestación de IA multiagente. La plataforma coordina más de 23 agentes de IA especializados en 9 departamentos funcionales; cada agente tiene un rol, un dominio y una personalidad definidos, y juntos ejecutan 31 flujos de trabajo automatizados de extremo a extremo, del brief a la web publicada.
El problema interesante
Construir una demo con 5 agentes es sencillo. Construir un sistema donde más de 23 agentes se coordinan de forma fiable en producción es un problema completamente distinto. Exige gestión de estado idempotente, procesamiento por colas que evite la contención de locks bajo concurrencia, bucles de automejora controlados por entornos de staging y degradación elegante cuando los modelos upstream se comportan de forma impredecible.
Los modos de fallo de los sistemas multiagente no son los que la gente espera. Los agentes rara vez fallan haciendo ruido. Fallan produciendo output plausible a partir de una premisa errónea, y ese error se propaga en silencio por cada agente aguas abajo. Detectar esa propagación antes de que llegue al usuario es la mayor parte de la ingeniería.
Resultado
En producción, en funcionamiento. Coste medio de producción de extremo a extremo de 0,08 $ por web empresarial terminada.
Tecnologías (selección)
Python, TypeScript, Node.js, LangChain, LangGraph, PostgreSQL, bases de datos vectoriales, múltiples proveedores de LLM, procesamiento en segundo plano orientado a eventos, WebSockets en tiempo real.
Pipeline de inferencia de ML en tiempo real para trading algorítmico
Qué es
Un diseño de arquitectura completo para un sistema de trading algorítmico orientado a los mercados de derivados cripto. El sistema se articula en torno a un pipeline de datos en tiempo real que va de los feeds binarios de mercado a una base de datos de series temporales, y de ahí a feature engineering e inferencia de ML, con un marco de puntuación por convergencia que combina 6 señales de mercado en paralelo.
El problema interesante
Presupuestos de latencia de 10 a 50 microsegundos para el hot path exigen decisiones de arquitectura a las que la mayoría de los ingenieros nunca se enfrenta: deserialización zero-copy, despliegue cloud bare-metal y una capa de inferencia de ML que no puede permitirse una pausa del garbage collector.
El marco de convergencia (cascada de liquidaciones, divergencia entre exchanges, desequilibrio del libro de órdenes, funding rate, VPIN, exposición gamma) está diseñado para reducir señales falsas preservando la sensibilidad a dislocaciones genuinas del mercado. Cualquier señal aislada produce ruido. El problema de ingeniería es puntuar el acuerdo entre seis señales lo bastante rápido como para que la respuesta siga importando cuando llega.
Tecnologías (selección)
Rust (hot path), Python (feature engineering y ML), LightGBM, base de datos de series temporales, parsing de feeds binarios en tiempo real.
Plataforma de IA generativa para el sector inmobiliario
Qué es
Una plataforma full-stack para el mercado inmobiliario que usa IA generativa para automatizar la investigación de mercado; la generación de contenido inmobiliario en texto, imagen y vídeo; el matching inteligente de propiedades; y la publicación multicanal en más de 4 plataformas.
El problema interesante
El contenido inmobiliario es muy repetitivo en la superficie. Todo anuncio tiene una descripción, fotos y un público objetivo. Pero exige inteligencia contextual en el detalle: dinámica del mercado local, propiedades comparables, el perfil del comprador objetivo.
El sistema tenía que ser lo bastante rígido para producir buen output por defecto y lo bastante flexible para manejar la variación genuina entre tipos de propiedad y mercados. Esos dos requisitos tiran en direcciones opuestas, y la mayoría de los sistemas de generación de contenido resuelven la tensión produciendo output técnicamente correcto y comercialmente inútil.
Tecnologías (selección)
Next.js, React, Node.js, PostgreSQL, múltiples proveedores de IA generativa (texto, imagen, vídeo), WhatsApp Business API, procesamiento en segundo plano orientado a eventos.
Dei Corpus: motor de fusión multimodal de biomarcadores
Qué es
Un motor de fusión multimodal de biomarcadores para la detección temprana y no invasiva del riesgo de enfermedad. El sistema ingiere señales fisiológicas estructuradas de sensores ya certificados (ECG, glucosa, imagen dermatológica) y las correlaciona entre dominios, en lugar de puntuar cada una por separado, para revelar patrones de riesgo que las herramientas de una sola modalidad no ven.
El problema interesante
Las señales cardiovasculares, metabólicas y dermatológicas se siguen capturando y leyendo por separado. Los patrones de alerta temprana que solo emergen entre estos dominios son los que ningún test de una sola modalidad está diseñado para detectar.
La arquitectura de fusión tiene que manejar señales con estructuras de datos, frecuencias de muestreo y niveles de relevancia clínica fundamentalmente distintos, y producir una puntuación de riesgo compuesta que un clínico pueda interpretar y sobre la que pueda actuar. Una puntuación en la que nadie confía es peor que ninguna, así que la interpretabilidad es una restricción dura, no una feature.
Estado actual
TRL 4. Viabilidad de extremo a extremo demostrada sobre datasets sintéticos modelados a partir de distribuciones de biomarcadores publicadas. Los datos sintéticos prueban el pipeline, no la señal, y exactamente por eso la siguiente fase corre sobre datos del mundo real.
Esa fase compara las capas de fusión cardiovascular y metabólica con datasets públicos, primero PhysioNet y MIMIC-IV como prueba de estrés, reconociendo que su población de UCI no es la cohorte objetivo. La modalidad dermatológica, para la que no existe dataset público emparejado, se validará mediante un piloto clínico, con la búsqueda de un socio clínico portugués en paralelo.
Proyectos bajo NDA
Qué es
Contribuí a productos digitales lanzados comercialmente, del concepto al despliegue en producción, bajo acuerdos de confidencialidad. Ciclo de vida completo del producto: diseño de arquitectura, desarrollo, testing, despliegue y operación con usuarios reales a escala.
Qué se puede compartir
Trabajé en equipos multidisciplinares, entregué funcionalidades críticas bajo restricciones de producción e hice contribuciones directas y medibles a resultados comerciales. Los productos en sí permanecen bajo NDA, y puedo profundizar en los problemas de ingeniería en una llamada.
