Trabajo

El reto. Una consultora legal gestiona expedientes de alta carga documental para entidades financieras. Cada expediente comienza con PDFs y documentos no estructurados que deben analizarse, validarse y convertirse en cálculos e informes formales. El proceso dependía de muchas tareas manuales, era difícil de medir, consumía mucho tiempo y requería revisión humana en cada etapa.

Mi trabajo. Me responsabilicé de la definición del producto, la arquitectura técnica y la construcción de la plataforma. Diseñé un sistema de agentes especializados que extraen información, preparan cálculos y generan documentos. Las tareas se ejecutan en segundo plano y se detienen en puntos de revisión donde una persona valida el resultado antes de que el expediente avance.

La plataforma también gestiona los documentos, el estado de cada expediente, los distintos flujos de cliente y la trazabilidad de las decisiones. El sistema combina la automatización con una aplicación completa desde la que los profesionales pueden revisar y controlar el trabajo de la IA.

Resultado. La plataforma está en producción con carga real de clientes. El proceso ha pasado de una secuencia de tareas manuales a un flujo trazable en el que cada expediente tiene un estado visible, las salidas de la IA pueden revisarse y las decisiones quedan registradas. Esto ha reducido el trabajo manual de semanas a horas sin delegar la decisión final al sistema.

Tecnologías. Google ADK, Gemini, React, FastAPI, Firestore, Cloud Storage, Cloud Run y procesamiento asíncrono mediante colas.

El reto. Un negocio de educación de póker ofrece herramientas para aprender a jugar y cuenta con miles de archivos de cursos, vídeos, transcripciones, documentos, imágenes y notas con conocimiento muy especializado. El contenido estaba distribuido entre formatos distintos y era necesaria una forma de ayudar a los estudiantes basándose en este material.

Mi trabajo. Diseñé la arquitectura de procesamiento y recuperación de conocimiento. El sistema transforma PDFs, imágenes, audio y vídeo mediante varias etapas de IA que normalizan el contenido y extraen metadatos propios del dominio, como modalidad de juego, conceptos, formato y dificultad.

Sobre esa base construí un sistema RAG agéntico con fragmentación, búsqueda vectorial, búsqueda híbrida, búsqueda por palabras clave, expansión de consultas y reordenación de resultados. El producto incluye un chat que responde citando el material utilizado, además de herramientas para gestionar documentos y explorar la base de conocimiento.

Resultado. El sistema se encuentra en producción y permite consultar un corpus multimodal mediante respuestas vinculadas al contenido curado. El negocio puede incorporar y organizar nuevos materiales sin depender de cambios manuales en la aplicación. La recuperación y las respuestas cuentan con observabilidad para evaluar su calidad, detectar fallos y analizar costes.

Tecnologías. Gemini, Cohere, PostgreSQL con pgvector, Langfuse, Python, Next.js, Hono, AI SDK y Cloud Run.

El reto. Una distribuidora farmacéutica recibe miles de documentos operativos de más de 40 tipos diferentes, entre ellos pedidos, documentación de calidad y documentos de transporte. La información debía revisarse y volver a introducirse manualmente en SAP desde Freshdesk, lo que generaba errores, retrasos y trabajo repetitivo entre soporte, operaciones y back office.

Mi trabajo. Desarrollé un sistema que cubre el flujo documental completo: recepción desde el canal de soporte de Freshdesk, clasificación, extracción estructurada de la información mediante IA para cada tipo, validación y envío de los registros resultantes a SAP.

La solución está dividida en módulos documentales con reglas y mapeos configurables para adaptarse a distintos proveedores y formatos. También incorpora validaciones, gestión de errores e integración con respuestas de SAP que no siempre siguen el comportamiento esperado.

Resultado. El sistema está en producción y sigue evolucionando. Convierte documentos no estructurados en registros utilizables dentro de SAP, reduce la reintroducción manual de información y permite adaptar la extracción cuando aparecen nuevos formatos o proveedores. También abre una nueva vía de acceso a los datos: la información disponible en SAP puede consultarse mediante agentes de IA.

Tecnologías. Vertex AI con Gemini, Google ADK, Cloud Run, Datastore, Cloud Storage, SAP y CI/CD.

El reto. Una organización que gestiona el catálogo electrónico de millones de productos verificaba de forma manual la clasificación y las claves de los productos farmacéuticos. Ese proceso dependía de personas, generaba retrasos y errores de transcripción, y no escalaba con el volumen de datos médicos.

Mi trabajo. Trabajé en el diseño y desarrollo de un sistema serverless de agentes de IA que separa la visión de la comprensión: un primer agente transcribe con alta fidelidad el texto de las imágenes de producto y un segundo agente combina esa transcripción con el contexto visual para extraer los datos en un esquema estructurado y estricto. El sistema se expone como una API en Cloud Run.

Resultado. La clasificación y validación de productos pasó de un proceso manual de horas a segundos, con una tasa de corrección superior al 95%. Las personas del equipo pasaron de introducir datos a validar su calidad.

Tecnologías. Google GenAI (Gemini), Cloud Run, Python y FastAPI, y validación estricta de datos con Pydantic.

El reto. Los asistentes de programación trabajan bien con archivos de código, pero su integración con documentos reales de Google Docs y Drive es más frágil. Los documentos grandes, la conversión a Markdown y la conservación del formato introducen errores en flujos que deberían poder ejecutarse de forma autónoma.

Mi trabajo. Mantengo una versión ampliada de google-docs-skill. Añadí soporte para trabajar con Markdown e insertar documentos grandes de forma fiable en Google Docs. La herramienta puede utilizarse desde Claude Code, Gemini CLI, Codex y Cursor.

Resultado. Es una herramienta pública utilizada en flujos reales con agentes. Permite que asistentes de IA lean, transformen y creen documentos de Google Workspace sin depender de pasos manuales para cada operación.

Tecnologías. APIs de Google Docs y Drive, TypeScript, Markdown y skills para asistentes de IA.

Trabajo de fin de grado sobre machine learning aplicado a la asignación de carteras. Implementé y comparé modelos LSTM, CNN-LSTM, LightGBM, XGBoost, random forest, stacking y ARIMA. Construí el flujo de búsqueda de hiperparámetros, evaluación y backtesting con vectorbt y qlib, además de paneles en Dash y Plotly para analizar los resultados.

Implementé desde cero distintos métodos de álgebra lineal computacional: factorización QR mediante Householder, método de la potencia, comparativas de factorización LU y análisis de bases bajo perturbación. Cada implementación está acompañada por un informe en LaTeX que estudia su comportamiento numérico.

Construí un flujo completo para extraer, limpiar y analizar datos de analítica web. El proyecto combina notebooks de exploración con una aplicación en Streamlit para consultar los resultados mediante un panel interactivo.