Ingeniero Electrónico (Bogotá, Colombia) con más de 2 años de experiencia en ciencia de datos, machine learning e IA generativa. Desarrollo modelos predictivos con evaluación rigurosa (validación cruzada, ROC-AUC, F1) y asistentes con LLMs y RAG, llevando las soluciones desde los datos hasta producción.
- Asistente de voz con IA generativa para una app contable: LiveKit Agents, Qwen 3.5 y function tools que generan contratos y facturas en borrador.
- RAG con búsqueda híbrida en Qdrant (Jina v2 base-es + BM25 + RRF): eliminó las respuestas inventadas y subió de 30 a 38 respuestas correctas sobre 80 preguntas.
- Router semántico de intenciones con fastembed (MiniLM multilingüe, ONNX, sin GPU).
- Visión por computador en producción: AdaFace + anti-spoofing en Triton Inference Server sobre Kubernetes, con inferencia de 150–300 ms.
| Proyecto | Qué hace | Resultado | Stack |
|---|---|---|---|
| Chicago Crimes Analytics | Predicción sobre 8.5M de registros de crímenes (2001–2026) con dashboard interactivo | ROC-AUC 0.90 con XGBoost GPU + Optuna y validación cruzada | Python · Polars · DuckDB · XGBoost · MLflow · Streamlit |
| Call Quality Analyzer | Análisis de transcripciones de llamadas con LLMs | Más de 50 llamadas analizadas, más de 1 hora de revisión manual ahorrada | Whisper · Gemini 2.5 Flash · Streamlit |
| Riesgo de falla en transformadores (CENS) | Estimación del riesgo de falla por transformador-mes (proyecto de especialización, equipo de 3) | AUC 0.8444 con LightGBM + Optuna sobre 2.95M de registros | Polars · DuckDB · Parquet · LightGBM |
ML & IA:
LLMs & RAG:
Datos:
Backend & MLOps:
- Especialización en Analítica de Datos — Corporación CUN (en curso)
- Ingeniería Electrónica — Corporación CUN (2018 – 2025)
Abierto a oportunidades como Científico de Datos / ML Engineer · Remoto o híbrido