Atlas de evidencia

¿Qué puedo inspeccionar para verificar el trabajo y la metodología de Francisco?

Qué estás mirando: Un Atlas de evidencia sobre el corpus publicado real, no una galería de proyectos ni un embudo de venta. Cada objeto lleva Forma, Procedencia y Estado como dimensiones separadas.
Qué puedes hacer: Explorar por tema o por forma, abrir el contrato de un objeto de evidencia, seguir relaciones etiquetadas (incluidos los límites) e inspeccionar en profundidad cuando exista página o demo externa.
Qué significa: La acción principal es inspeccionar/verificar. Lo sintético, la investigación, el lab, lo profesional y lo académico permanecen distintos. Sin puntuaciones de fuerza, estrellas ni porcentajes de confianza.

Solo evidencia clasificada. Los holdouts desvelados se marcan como holdout consumido. Explorer, Study y servicio comercial permanecen distintos.

Objetos de evidencia

Modernización de pipeline analítico

Forma: Trabajo profesional
Procedencia: ProfesionalMixto
Estado: Publicado

Qué es: Entrega profesional de data engineering migrando un proceso analítico recurrente desde lógica heredada de SQL Server a Databricks y PySpark.
Pregunta / contexto: ¿Cómo modernizar un cálculo analítico frágil sin perder trazabilidad de las reglas de negocio?
Qué se hizo: Mapeé la lógica heredada, reconstruí en Databricks/PySpark, añadí controles de calidad y validación, reconcilié salidas y preparé el traspaso.
Qué se aprendió: La reconciliación explícita y los componentes modulares hacen discutible la migración; los artefactos privados del cliente no entran en el registro público.
Qué sostiene aquí: Experiencia profesional de entrega en modernización de pipelines y disciplina de validación.
Qué no demuestra: ROI cuantificado, KPIs de cliente, un entorno privado reproducible ni garantías de producción.

Dónde inspeccionar más

Abrir el objeto de evidencia profesional

Data Quality Pipeline Lab

Forma: Lab técnico
Procedencia: SintéticoPúblico
Estado: Publicado

Qué es: Lab público sintético en PySpark con contratos, cuarentena, reconciliación, ejecuciones idempotentes, tests y CI.
Pregunta / contexto: ¿Se pueden inspeccionar controles de calidad cuando esquemas, filas rechazadas y reconciliaciones son explícitos?
Qué se hizo: Construí un pipeline batch local sobre fixtures B2B sintéticos con cinco contratos de origen, cuarentena, reconciliación y CI.
Qué se aprendió: El diseño contract-first y la contabilidad de filas hacen inspeccionables las decisiones accept/quarantine sin sistemas privados.
Qué sostiene aquí: Método de lab técnico para pipelines contract-first, adyacente al trabajo profesional de modernización.
Qué no demuestra: Equivalencia con sistemas de empleador o cliente, producción Databricks/cloud/streaming ni KPIs de negocio.

Dónde inspeccionar más

Abrir el objeto de evidencia del lab

Estudio RAG Reliability v1

Forma: Investigación
Procedencia: SintéticoPúblico
Estado: Holdout consumido

Qué es: Evidencia de investigación / metodología: benchmark sintético versionado con protocolo fijo y paquete de evidencia SHA-256.
Pregunta / contexto: ¿Cuándo debería un sistema RAG responder o diferir ante evidencia de recuperación conflictiva o débil?
Qué se hizo: Comparé recuperación léxica/densa/híbrida con un gate de consenso top-1 preregistrado y un holdout desvelado una sola vez.
Qué se aprendió: Reglas más estrictas de answer/defer se pueden evaluar de forma reproducible en un holdout sintético; después el holdout queda consumido.
Qué sostiene aquí: Credibilidad metodológica para investigación de fiabilidad RAG, distinta del Explorer y del framing comercial F1.
Qué no demuestra: Rendimiento RAG en producción, madurez comercial, resultados de cliente ni equivalencia con métricas del Explorer. El holdout está consumido, no es validación no vista.

Dónde inspeccionar más

Abrir el objeto de evidencia del estudio

LLM Model Selection Benchmark

Forma: Benchmark
Procedencia: Sintético
Estado: Holdout consumido

Qué es: Benchmark sintético que compara candidatos de modelo/configuración bajo un protocolo de evaluación congelado.
Pregunta / contexto: ¿Algún candidato supera un umbral de calidad acordado bajo la misma carga y restricciones?
Qué se hizo: Ejecuté una evaluación sintética congelada; resultado observado NO ELIGIBLE RECOMMENDATION con holdout consumido.
Qué se aprendió: La elegibilidad puede fallar con honestidad; «sin recomendación» es un resultado de decisión válido.
Qué sostiene aquí: Ilustración de método para el framing de decisión Compare / selección de modelo.
Qué no demuestra: Validación comercial, resultados de cliente, ranking de modelos en producción ni prueba de producto específico de RAG.

Contrato completo en este Atlas, sin página de caso de estudio separada.

Dónde inspeccionar más

Ver en trabajo seleccionado

GenAI Regression Gate

Forma: Demo
Procedencia: Sintético
Estado: Activo

Qué es: Demo sintética fixture-first de un gate de release que bloquea una regresión crítica de comportamiento.
Pregunta / contexto: ¿Cómo puede un gate de release mostrar baseline PASS → mutación → candidato FAIL → release BLOCKED?
Qué se hizo: Demostré una ruta de regresión sintética con procedencia fixture-first explícita.
Qué se aprendió: Las narrativas de gate pueden hacer inspeccionable el bloqueo sin afirmar prueba causal en vivo.
Qué sostiene aquí: Ilustración de método para el framing Protect / protección de release.
Qué no demuestra: Prueba causal de GenAI en vivo, validación comercial ni un producto de selección de modelo.

Contrato completo en este Atlas, sin página de caso de estudio separada.

Dónde inspeccionar más

Ver en trabajo seleccionado

RAG Reliability Explorer

Forma: Demo
Procedencia: Sintético
Estado: Activo

Qué es: Demo interactiva de acompañamiento con su propio corpus sintético, demo subordinada.
Pregunta / contexto: ¿Cómo se siente la interacción RAG sintética al explorar el comportamiento de recuperación?
Qué se hizo: Publicé una demo interactiva separada del benchmark y del holdout del Study.
Qué se aprendió: La exploración interactiva ayuda a la intuición; no debe leerse como métricas del Study.
Qué sostiene aquí: Ilustración de interacción sintética junto al objeto de investigación del Study.
Qué no demuestra: Métricas del holdout del Study, métricas de cliente ni una oferta comercial empaquetada.

Dónde inspeccionar más

Abrir demo externa

Predicción de suscripciones a depósitos bancarios con ML y una red polinomial

Forma: Estudio académico
Procedencia: Público
Estado: Publicado

Qué es: Estudio académico de 2024 que compara baselines clásicos de ML con una red neuronal polinomial propia sobre un dataset público de marketing bancario.
Pregunta / contexto: ¿Cómo evaluar una arquitectura propia frente a baselines clásicos con limitaciones explícitas?
Qué se hizo: Preparé datos, construí baselines, diseñé una red polinomial profunda y reporté resultados con límites explícitos.
Qué se aprendió: Primero baselines, subir complejidad solo cuando se justifica, y mantener las limitaciones junto a los resultados.
Qué sostiene aquí: Disciplina académica de evaluación ML bajo ML aplicado, no un claim de entrega comercial.
Qué no demuestra: Despliegue bancario en producción, generalización a otras instituciones/periodos ni ROI de cliente.

Dónde inspeccionar más

Abrir el objeto de evidencia académico

Relaciones etiquetadas

Registros direccionales. Los límites forman parte del grafo, «no establece» es intencional.

Estudio RAG ReliabilitysostieneCredibilidad metodológica de la ruta Inspect
Estudio RAG Reliabilityno establecePreparación de producción o garantía comercial RAG
RAG ExplorerilustraInteracción RAG sintética
RAG Explorerno estableceMétricas del holdout del Study
Benchmark de selección de modelosostieneMétodo de selección de la ruta Compare
Benchmark de selección de modelono estableceRanking de modelos en producción
Demo de gate de regresiónilustraIdea de gate de la ruta Protect
Demo de gate de regresiónno establecePrueba causal GenAI en vivo
Modernización de pipelinese demuestra medianteEntrega profesional de datos y pipelines
Modernización de pipelineno estableceROI de cliente, KPIs o garantías de producción
Lab de calidad de datosrelevante paraMétodo de modernización de pipelines
Lab de calidad de datosno estableceEquivalencia con sistemas de empleador/cliente
TFM / tesis de másterse demuestra medianteDisciplina académica de evaluación ML
TFM / tesis de másterno estableceDespliegue bancario en producción

Siguiente paso natural

Inspecciona un objeto que encaje con tu duda, lee sus límites y habla de un problema concreto si tiene sentido un encargo. No trates resultados sintéticos o de estudio como prueba de producción.

Límite de afirmaciones

Sin clientes inventados, ROI, testimonios, puntuaciones de validación ni garantías de producción. El material sintético no se convierte en prueba de cliente ni en garantía de producción.

¿Qué puedo inspeccionar para verificar el trabajo y la metodología de Francisco?

Explorar el corpus

RAG y recuperación

Selección de modelo

Protección de release

Datos y pipelines

ML aplicado

Trabajo profesional

Investigación

Benchmark

Lab técnico

Demo

Estudio académico

Objetos de evidencia

Modernización de pipeline analítico

Data Quality Pipeline Lab

Estudio RAG Reliability v1

LLM Model Selection Benchmark

GenAI Regression Gate

RAG Reliability Explorer

Predicción de suscripciones a depósitos bancarios con ML y una red polinomial

Relaciones etiquetadas

Siguiente paso natural

Límite de afirmaciones