Ingeniero de IA/ML con más de 4 años construyendo sistemas de LLM, RAG y visión por computador que escalan — desde búsqueda vectorial y despliegue de modelos hasta pipelines de MLOps que soportan hasta 20M de solicitudes diarias.
Ingeniero de IA/ML
Soy un ingeniero de IA/ML que construye y despliega sistemas de producción de principio a fin — desde funciones impulsadas por LLM y pipelines RAG hasta búsqueda vectorial, despliegue de modelos y observabilidad. Trabajo de forma práctica en todo el ciclo de vida, usando Python, FastAPI, Docker, Kubernetes y Triton sobre AWS y GCP.
Tengo un máster en Inteligencia Artificial y Machine Learning de la Universidad de Adelaida y una licenciatura en Ciencias de la Computación de FAST-NUCES. Aporto un enfoque práctico y orientado al producto, con gran énfasis en el rendimiento y la fiabilidad.
Lo que hago
Educación
Máster en Inteligencia Artificial y Machine Learning
Universidad de Adelaida
Stealth Startup · Remoto
Add Life Technologies · Presencial
Vyro · Remoto
Motor de búsqueda de productos basado en vectores, construido con Elasticsearch y embeddings de transformers, que mejora la relevancia de búsqueda un 35–45% en todo el catálogo.
Función de recetas impulsada por LLM y RAG — escribe el nombre de un plato y obtén una receta con los ingredientes emparejados semánticamente con productos del supermercado y añadidos directamente al carrito.
Web scrapers en tiempo real para Coles, Aldi, IGA y Woolworths que mantienen miles de listados de productos frescos y completos.
Pipeline de normalización de productos que limpia nombres de productos desordenados y genera embeddings para mejorar el ranking de búsqueda y la agrupación de productos.
App de seguimiento corporal en tiempo real que integra MediaPipe con Unity, ajustada para despliegue móvil con una reducción de latencia del 40%.
App móvil multiplataforma con IA, con backend en FastAPI y frontend en Flutter para streaming de vídeo en tiempo real sin fricciones.
Arquitectura de despliegue de ML a medida para ImagineArt — más de 30 modelos, hasta 20M de solicitudes/día y 99.5% de disponibilidad sobre FastAPI, Docker y Kubernetes.
Despliegue en Triton Inference Server para Phototune (más de 10M de descargas), optimizado para un tiempo de respuesta de 2–3 segundos.
Arquitectura serverless basada en Docker para entrenamiento de avatares bajo demanda usando Runpod y AWS, reduciendo el tiempo de horas a 15 minutos.
SDK en Python para alojar cualquier flujo de Stable Diffusion en producción, reduciendo el tiempo de despliegue de funciones un 80% mediante reutilización.
Copiloto de empleo con IA agentiva basado en sesiones, usando FastAPI, LangGraph y PostgreSQL + pgvector para analizar el ajuste al puesto, adaptar currículums, redactar mensajes y mantener memoria semántica entre conversaciones.
Revisor de pull requests con IA que combina RAG con recuperación de contexto basada en FAISS, razonamiento con LLM y GitHub Checks — en línea o mediante una cola Celery/Redis.
Sistema de domótica que usa una CNN y React Native, reconociendo comandos de voz en urdu con más de un 85% de precisión para controlar electrodomésticos.
Pipeline de deep learning para predicción de series temporales financieras a múltiples horizontes con RNN, GRU y LSTM — el mejor modelo GRU alcanza un RMSE ≈ 0.024.
Framework modular en PyTorch para comparar arquitecturas CNN (ResNet-18, MobileNetV2, GoogLeNet, AlexNet) con búsqueda en cuadrícula de optimizadores e hiperparámetros.
Pipeline de clasificación binaria de extremo a extremo para detección de riesgo clínico, con corrección de desbalance de clases mediante SMOTE y evaluación ROC-AUC/matriz de confusión.
