Ingeniero de IA
Diseño e implemento sistemas de IA de punta a punta, desde machine learning clásico hasta sistemas agénticos, integrando datos, modelos, evaluación rigurosa y software de producción para resolver problemas reales.
01
Me interesa todo el recorrido desde un problema ambiguo hasta un sistema que pueda evaluarse, integrarse y operarse. Mantengo deliberadamente abierta mi próxima etapa: quiero trabajar en problemas exigentes de ML e IA donde importen tanto una evaluación rigurosa como una ingeniería sólida.
02
Wollen Labs (actualmente Luno)
Abril de 2025 — abril de 2026
03
Proyecto académico grupal — ingeniería de producto distribuido
Un producto social basado en ubicación que incluye una aplicación móvil, un backoffice de administración, servicios backend especializados, infraestructura de despliegue, testing, seguridad y observabilidad distribuida.
Explorar la organización en GitHub04
Universidad de San Andrés
En curso
Finalización de materias prevista para noviembre de 2026 y defensa de tesis planificada para febrero o marzo de 2027.
La carrera combina fundamentos matemáticos y algorítmicos con machine learning clásico, deep learning, visión por computadora, procesamiento del lenguaje natural, aprendizaje por refuerzo, robótica autónoma, sistemas de datos, ingeniería de software, ciberseguridad e IA responsable.
La formación fue práctica además de teórica: las materias y sus proyectos incluyeron implementar y evaluar modelos, construir pipelines de datos y entrenamiento, y llevar sistemas de software por etapas de testing, integración, despliegue y observabilidad.
Redes neuronales, CNNs, modelos recurrentes, transformers, normalizing flows, modelos de difusión y multimodales, aprendizaje autosupervisado y contrastivo, y aprendizaje multitarea.
ML clásico, aprendizaje por refuerzo, métodos basados en valor y políticas, arquitecturas actor-critic, robótica probabilística, planificación y fusión de sensores.
Bases de datos, streaming, APIs, sistemas distribuidos, testing, CI/CD, Kubernetes, observabilidad, seguridad, equidad, privacidad y gobernanza de IA.
05
Papers y artículos técnicos que coescribí.
Paper de 2024 que introduce capas convolucionales KAN y las evalúa frente a CNN convencionales en Fashion-MNIST, incluyendo configuraciones con precisión similar y aproximadamente la mitad de los parámetros.
Criterios de equidad, razonamiento causal, mitigación, gobernanza y monitoreo a lo largo del ciclo de vida de ML.
Una comparación práctica de ReAct, Plan-and-Execute, ReWOO, Tree-of-Thoughts y patrones multiagente.
Contacto