Proyectos seleccionados
IA aplicada, machine learning e ingeniería de datos en contextos de entrega de los que puedo responder, con etiquetas de evidencia explícitas. El Atlas de evidencia sigue siendo el corpus más amplio de investigación, benchmarks, demos y metodología.
Preparo artefactos para preparación, elección de modelo/configuración y protección ante regresiones, más una demo interactiva subordinada si quieres explorar el comportamiento.
Estudio reproducible de evaluación RAG
Evidencia de investigación: construí este estudio para evaluar cuándo un sistema RAG debería responder o diferir mediante un benchmark sintético versionado y un protocolo de evaluación fijo. No son resultados de cliente ni una oferta comercial empaquetada.
Benchmark sintético
Compara candidatos de modelo/configuración bajo una evaluación sintética congelada para decidir si alguna opción supera un umbral de calidad acordado. No es un producto específico de RAG.
Resultado sintético observado: NO ELIGIBLE RECOMMENDATION. Holdout: CONSUMED.
Solo benchmark sintético. Demo controlada, no un resultado de cliente ni una recomendación de producción.
Demo de gate sintético
Muestra cómo un gate de release puede bloquear un cambio que introduce una regresión crítica de comportamiento: baseline PASS, una mutación de prompt, fallo crítico, candidato FAIL, release BLOCKED.
SYNTHETIC REGRESSION GATE DEMO (fixture-first).
Demo sintética fixture-first. No es prueba causal de GenAI en vivo ni un producto de selección de modelo.
Demo sintética interactiva
Una demo interactiva subordinada con ejemplos sintéticos propios. No reproduce el benchmark del estudio, no genera métricas de cliente y no es una oferta empaquetada.
Modernizo flujos de datos, mejoro los controles de calidad y hago que los procesos analíticos sean más fáciles de validar, operar y transferir.
Entrega profesional de ingeniería de datos
Trabajé en la migración de un proceso analítico recurrente desde lógica heredada de SQL Server hacia un flujo modular en Databricks y PySpark con controles de calidad de datos y validación.
Implementación pública sintética
Construí un pipeline de referencia local en PySpark con contratos explícitos, cuarentena, reconciliación, ejecuciones idempotentes, tests y CI sobre datos mayoristas B2B totalmente sintéticos. No reproduce código, datos ni sistemas de empleadores.