Sistemas de IA aplicada
Machine learning, RAG, recuperación y evaluación de LLM diseñados con criterios de calidad explícitos y restricciones operativas.
- Machine learning aplicado
- Recuperación y evaluación
- NLP y flujos documentales
Data Scientist y ML Engineer independiente
Diseño y evalúo sistemas aplicados de ML, RAG y datos.
Mi trabajo abarca evaluación de RAG, ingeniería de datos, calidad de datos y analítica. Hago explícitos los criterios, la evidencia y los límites para que el trabajo se pueda probar y revisar.
Ámbitos de trabajo
- Machine learning aplicado
- RAG Reliability Audit
- Ingeniería y calidad de datos
- Analítica y BI
01 / Capacidades
En qué trabajo
Áreas prácticas que asumo, organizadas en torno a problemas de entrega y no a herramientas sueltas ni a ejercicios de tutorial.
Fundamentos de datos
Pipelines, calidad de datos y flujos analíticos pensados para la reproducibilidad, la observabilidad y una responsabilidad claramente asignada.
- Ingeniería de datos
- PySpark y Databricks
- Calidad y validación de datos
Analítica para decisiones
Analítica, previsión y BI que convierten salidas técnicas en información que se puede evaluar y usar.
- Analítica y BI
- Previsión
- Comunicación técnica
02 / Enfoque
Un proceso de entrega que hace visibles supuestos y compromisos.
- 01
Enmarcar
Aclarar el problema de negocio, usuarios, restricciones, evidencia y definición de éxito.
- 02
Construir
Implementar la solución coherente más pequeña con límites tipados, herramientas reproducibles y estructura mantenible.
- 03
Evaluar
Probar comportamiento, calidad de datos y rendimiento del modelo o de la recuperación con criterios acordes al riesgo real.
- 04
Comunicar
Explicar resultados, límites, requisitos operativos y siguientes decisiones a interlocutores técnicos y no técnicos.
03 / Evidencia
Qué muestra el trabajo publicado.
Los casos de estudio publicados documentan el problema, el enfoque, el método de evaluación, los compromisos y las consideraciones de producción, incluido lo que la evidencia apoya y lo que no.
RAG Reliability
Estudio sintético para el portfolio
Una dirección de producto propietaria para decidir cuándo un sistema RAG debe responder o diferir la respuesta. La evidencia publicada aquí proviene de un estudio sintético de respuesta/diferimiento.
Auditoría de calidad de datos
Demo interactiva en desarrollo
Perfilado, reglas de validación, anomalías e informes listos para decidir.
Modernización de pipelines
Trabajo profesional verificado
Flujos de datos reproducibles, pruebas, observabilidad y traspaso.
Documentos
CVs, trabajo académico y perfil profesional
Revisa el trabajo y cuéntame el problema.
Consulta los servicios y los casos de estudio publicados, y escribe para hablar del sistema actual, de la decisión que importa y de las restricciones.
Para proyectos de pequeñas empresas, también estoy construyendo MigaDigital, una iniciativa aparte centrada en datos, automatización e IA de uso práctico. Visitar MigaDigital