Proyectos

Casos técnicos que demuestran IA aplicada, arquitectura y producción

Selección de proyectos organizados para entrevistas senior, consultoría y evaluación técnica: problema, solución, stack, arquitectura y señales de seniority.

RAG multi-tenant para SaaS B2B

Problema: Documentación empresarial difícil de consultar, con riesgo de respuestas no trazables y baja confianza del usuario.

Solución: Arquitectura RAG con ingesta documental, chunking, embeddings, pgvector, FastAPI, filtros por tenant y respuestas basadas en fuentes.

Resultado: ↓72% latencia · 2.3s → 0.65s

Sistema de recomendación para e-commerce

Problema: Baja conversión y dificultad para personalizar productos relevantes a partir de señales de comportamiento.

Solución: Candidate generation con FAISS, embeddings de usuarios/productos, ranking en PyTorch y validación mediante A/B testing.

Resultado: +14% CTR · +9% add-to-cart

Pipeline MLOps para modelos productivos

Problema: Modelos atrapados en notebooks, sin trazabilidad, pruebas, versionado ni camino claro hacia producción.

Solución: Flujo reproducible con validación de datos, MLflow, DVC, FastAPI, Docker, pruebas automatizadas y CI/CD.

Resultado: Datasets, modelos y endpoints trazables

Agente de IA modular con herramientas

Problema: Agentes construidos como scripts difíciles de mantener, sin separación clara entre orquestación, herramientas y cliente LLM.

Solución: Arquitectura modular con router de instrucciones, skills independientes, clientes LLM desacoplados y pruebas unitarias.

Resultado: Arquitectura extensible y testeable

Case study

RAG multi-tenant para SaaS B2B

Mostrar capacidad para diseñar LLM apps productivas con aislamiento por cliente, recuperación semántica y respuestas verificables.

PythonFastAPIPostgreSQLpgvectorEmbeddingsNext.jsDocker

Arquitectura

  1. 1. Ingesta documental y normalización de archivos.
  2. 2. Chunking con metadatos y control por tenant.
  3. 3. Embeddings y almacenamiento vectorial en pgvector.
  4. 4. API FastAPI para retrieval, ranking y generación de respuesta.
  5. 5. Frontend Next.js para consulta, trazabilidad y visualización de fuentes.

Señales senior

  • • Diseño multi-tenant con filtros de seguridad por cliente.
  • • Evaluación de grounding, relevancia y precisión de recuperación.
  • • Optimización de latencia p95 y experiencia de usuario.
  • • Preparación para observabilidad, rate limiting y control de costos.

Case study

Sistema de recomendación para e-commerce

Demostrar ML aplicado a métricas comerciales como CTR, add-to-cart, personalización y conversión.

Pythonpandasscikit-learnFAISSPyTorchFastAPI

Arquitectura

  1. 1. Procesamiento de señales de comportamiento de usuarios.
  2. 2. Generación de candidatos mediante similitud y embeddings.
  3. 3. Ranking personalizado orientado a conversión.
  4. 4. API de serving para recomendaciones por usuario o contexto.
  5. 5. Evaluación offline y preparación para A/B testing.

Señales senior

  • • Separación entre candidate generation, ranking y serving.
  • • Medición de impacto mediante métricas de negocio.
  • • Estrategias para cold start y sesgos de popularidad.
  • • Diseño compatible con experimentación y mejora continua.

Case study

Pipeline MLOps para modelos productivos

Mostrar disciplina de ingeniería para pasar de notebooks a modelos versionados, testeados y desplegables.

PythonMLflowDVCFastAPIDockerpytestGitHub Actions

Arquitectura

  1. 1. Generación y validación reproducible de datasets.
  2. 2. Entrenamiento con tracking de experimentos.
  3. 3. Versionado de datos y artefactos de modelo.
  4. 4. API de inferencia desacoplada del entrenamiento.
  5. 5. Pruebas automatizadas y preparación para CI/CD.

Señales senior

  • • Trazabilidad entre dataset, experimento, modelo y endpoint.
  • • Validaciones previas al entrenamiento para reducir riesgo operativo.
  • • Separación clara entre desarrollo, serving y monitoreo.
  • • Base preparada para rollback, auditoría y control de drift.

Case study

Agente de IA modular con herramientas

Probar capacidad para diseñar agentes mantenibles, extensibles y testeables más allá de una demo monolítica.

PythonOllamaLM StudiopytestArquitectura modular

Arquitectura

  1. 1. Router de intención para clasificar instrucciones.
  2. 2. Skills independientes para cálculo, lectura, síntesis o acciones específicas.
  3. 3. Cliente LLM desacoplado para alternar entre modelos locales y APIs.
  4. 4. Fallback controlado para instrucciones desconocidas.
  5. 5. Pruebas unitarias sobre comportamiento del agente.

Señales senior

  • • Diseño extensible para agregar nuevas herramientas sin romper el core.
  • • Separación entre orquestación, skills y proveedores LLM.
  • • Criterios de seguridad para instrucciones no soportadas.
  • • Base compatible con evaluación y observabilidad de agentes.

Case study

IA industrial y sistemas de control

Diferenciar el perfil con experiencia real en operación, minería, control de procesos y sistemas industriales.

PythonAnalítica operacionalDashboardsControl de sistemasDatos industriales

Arquitectura

  1. 1. Integración de datos operacionales y variables de proceso.
  2. 2. Dashboards para seguimiento de KPIs y comportamiento del sistema.
  3. 3. Modelos predictivos y analítica para soporte a decisiones.
  4. 4. Conexión entre ingeniería de procesos, control y datos.
  5. 5. Comunicación técnica con operación, mantenimiento y negocio.

Señales senior

  • • Comprensión de restricciones reales de continuidad operacional.
  • • Capacidad para aplicar IA en entornos críticos, no solo digitales.
  • • Criterio para explicabilidad, robustez y adopción por usuarios operacionales.
  • • Ventaja competitiva para industrias como minería, energía, banca y logística.