Especialidades

Lo que sé hacer y cómo trabajo.

Ciencia de datos

En resumen

Desde 2019 convierto datos en decisiones para grandes empresas de energía y telecomunicaciones: previsiones, clasificación, análisis de texto, modelos que llegan a producción. Trabajo en Python y R, desde la primera exploración hasta el pipeline que se ejecuta cada mañana.

Series temporales

La previsión está en el centro de mi trabajo. Me ocupo de lo que hace difíciles las series reales:

  • Cambios de tendencia, estacionalidad e influencia de factores externos.
  • Detección de valores atípicos, para que un periodo anómalo no distorsione todo el modelo.
  • Modelos y frameworks: Prophet, Chronos, AutoGluon y TimesFM.
  • Evaluación: MAE, MAPE, MSE y RMSE, además de métricas a medida construidas para cada problema, porque sobrestimar e infraestimar rara vez cuestan lo mismo.

Machine learning y deep learning

Los modelos que uso, elegidos según el problema y no por costumbre:

  • Librerías: scikit-learn, PyTorch, TensorFlow, LightGBM, CatBoost y XGBoost.
  • Clasificación con datos tabulares: regresión logística, random forest, gradient boosting (LightGBM, CatBoost, XGBoost) y NGBoost para predicciones probabilísticas.
  • Deep learning: redes densas (MLP), TabNet, redes recurrentes (RNN, LSTM), Transformers y mecanismos de atención, embeddings de entidades, y CNN para visión por computadora (clasificación, detección de objetos, segmentación).
  • Learning to rank: LambdaRank, YetiRank y XGBRanker, cuando hay que ordenar candidatos entre sí en lugar de juzgarlos uno a uno.
  • Modelos probabilísticos de clasificación: Plackett-Luce y Harville para pasar de puntuaciones a probabilidades de orden de llegada, puntuaciones Elo y TrueSkill.
  • Probabilidades fiables: calibración (isotónica, beta), intervalos conformes (MAPIE) y detección de casos fuera de distribución.
  • Ajuste e interpretación: Optuna para los hiperparámetros, SHAP para explicar las predicciones.

Otras áreas de modelización

  • Clasificación y scoring: probabilidades calibradas, métricas elegidas según el coste real de cada tipo de error.
  • NLP: clasificación de textos, extracción de información, tratamiento automático de correos electrónicos.
  • Aprendizaje por refuerzo: decisiones secuenciales en las que un agente aprende de las consecuencias de sus acciones.
  • Econometría y finanzas: preguntas causales, datos de panel, datos de mercado. Backtests sin fugas temporales, con los costes modelizados y un periodo fuera de muestra intacto hasta el final.

Exploración y preparación de datos

Antes de cualquier modelo, entender los datos y lo que cuentan:

  • Comprensión del negocio: de dónde vienen los datos, cómo se producen y qué esperan de ellos los equipos, hablando con quienes mejor los conocen.
  • Análisis exploratorio (EDA): distribuciones, valores ausentes, correlaciones, rupturas y anomalías, con visualizaciones que revelan los problemas antes de que distorsionen un modelo.
  • Limpieza: datos incompletos o heterogéneos, duplicados, casos particulares del negocio, valores ausentes imputados sin usar información futura.
  • Interpretación: relacionar cada hallazgo con su contexto y comunicarlo con claridad, para que el análisis sirva a una decisión.
  • Preparación para la modelización: feature engineering a partir del historial y del contexto, selección de variables estable, siempre limitada a la información disponible en el momento de la decisión.

Despliegue

  • Cloud: puesta en producción en GCP y AWS.
  • Servidores: despliegue en servidores Linux, en contenedores Docker.
  • Pipelines: procesos programados y automatizados, integración continua.
  • Datamarts: tablas analíticas listas para usar por los equipos de negocio.

Aplicaciones

Aplicaciones web que ponen modelos y análisis en manos de personas que no programan:

  • R Shiny en R.
  • Dash y Streamlit en Python.

Herramientas

Lenguajes
  • Python
  • R
  • SQL
Datos
  • pandas
  • Polars
  • NumPy
Machine learning
  • scikit-learn
  • PyTorch
  • TensorFlow
  • LightGBM
  • CatBoost
  • XGBoost
  • Optuna
  • SHAP
Series temporales
  • Prophet
  • Chronos
  • AutoGluon
  • TimesFM
Plataformas de datos
  • Oracle
  • Hive
  • PySpark
  • PostgreSQL
Despliegue
  • GCP
  • AWS
  • Docker
  • Linux
  • Git
  • CI
Aplicaciones
  • R Shiny
  • Dash
  • Streamlit
Fundamentos
  • Matemáticas
  • Estadística
  • Econometría
  • Informática
  • Finanzas

Agentes de IA y LLM

En resumen

Diseño, desarrollo y despliego herramientas basadas en modelos de lenguaje: agentes que encadenan tareas de varios pasos, asistentes conectados a los datos internos, automatizaciones que ahorran horas cada semana. Las uso a diario en mi propio trabajo, con las salvaguardas que las hacen fiables.

Lo que construyo

  • Herramientas basadas en agentes: agentes que planifican, llaman a herramientas y comprueban sus propios resultados, desplegados para usuarios reales y no solo como demostración.
  • Aplicaciones LLM: integraciones con la API de Claude con tool use, salidas estructuradas, caché de prompts y búsqueda en documentos internos.
  • Skills, tools y servidores MCP: convertir el conocimiento de negocio en skills de agente y escribir herramientas y servidores Model Context Protocol que conectan los agentes con bases de datos, API y archivos.
  • Entornos privados: modelos open-weight que funcionan en un portátil (Ollama, MLX) cuando los datos deben quedarse en casa.

RAG

Asistentes que responden a partir de una base documental (PDF, artículos) y citan sus fuentes:

  • Ingesta: extracción, limpieza, segmentación semántica (chunking), metadatos y embeddings.
  • Búsqueda: búsqueda semántica e híbrida, reranking.
  • Evaluación: pertinencia de la búsqueda, fidelidad de las respuestas (faithfulness), calidad de las respuestas.
  • Herramientas: LangChain, los embeddings BGE-M3 y la base vectorial Qdrant.

Frameworks de desarrollo con agentes

Métodos de desarrollo guiado por especificaciones que uso con Claude Code y Codex:

  • Superpowers: skills de agente y una metodología de desarrollo completa, del diseño a la revisión.
  • BMAD Method: desarrollo ágil guiado por agentes especializados.
  • GSD (Get Shit Done): meta-prompting, ingeniería de contexto y desarrollo guiado por especificaciones.
  • Spec Kit: el kit de GitHub para el spec-driven development.

Cómo hago fiables a los agentes

  • El diseño antes que el código: el agente parte de un diseño escrito y de un plan paso a paso que reviso.
  • Salvaguardas: tests, comprobación de tipos, linters y hooks de pre-commit se ejecutan en cada cambio, para detectar los errores automáticamente.
  • Verificación: ningún resultado se acepta sin el comando que lo produjo. Las cifras se miden, no las adivina el modelo.
  • Reglas explícitas: las instrucciones del proyecto indican lo que el agente nunca debe hacer, como usar datos futuros en un backtest.
  • Evaluación: conjuntos de test etiquetados, comparación con un método clásico, análisis de errores. Un modelo que parece acertar no es lo mismo que un modelo que acierta.

Herramientas

Modelos y plataformas
  • Claude API
  • Claude Code
  • Codex
  • Gemini
  • DeepSeek
  • Ollama
  • MLX
Componentes
  • Tool use
  • MCP
  • Skills
  • Salidas estructuradas
  • Evaluación
RAG
  • LangChain
  • BGE-M3
  • Qdrant
Frameworks
  • Superpowers
  • BMAD Method
  • GSD
  • Spec Kit

Certificaciones de Anthropic

  • Building with the Claude APIAnthropic · julio de 2026Verificar
  • Claude Platform 101Anthropic · julio de 2026Verificar
  • AI Fluency: Framework & FoundationsAnthropic · abril de 2026Verificar
  • Claude 101Anthropic · abril de 2026Verificar
  • Claude Code 101Anthropic · abril de 2026Verificar
  • Claude Code in ActionAnthropic · abril de 2026Verificar
  • Introduction to Claude CoworkAnthropic · abril de 2026Verificar

Mi forma de trabajar

En resumen

Me gustan los problemas difíciles y cuantitativos, y me gusta explicarlos de forma sencilla. La consultoría, la docencia y la competición me han enseñado a mantener la precisión bajo presión y a sacar lo mejor de un equipo.

Análisis y resolución de problemas

Parto de la pregunta, no de la herramienta. Antes de elegir un modelo, busco el enfoque más sencillo que podría funcionar y las pruebas que demostrarían que se equivoca. La curiosidad hace el resto: economía, finanzas, ciencias del deporte, modelos de lenguaje.

Hacer claro lo complejo

Dirigir clases prácticas de macroeconomía en la Toulouse School of Economics y formar a mis compañeros en R me enseñaron a adaptar el mensaje al público. Presento resultados tanto a equipos técnicos como a responsables de decisión, y sé explicar un intervalo de confianza sin una sola ecuación.

Bajo presión, en equipo

Las misiones de consultoría para grandes empresas llegan con plazos y con interlocutores exigentes. Trabajo bien en equipo: pido revisiones, las hago y señalo los problemas pronto y no tarde.

Atención al detalle

Tests, pipelines reproducibles, resultados que se pueden vincular al código que los produjo. La calidad no es una etapa final; forma parte de cada etapa.

Perfil deportivo

En resumen

Compito en atletismo a nivel nacional en lanzamiento de jabalina. El deporte ha marcado mi forma de trabajar: disciplina, paciencia y la costumbre de medir el progreso con honestidad. También aplico los datos al entrenamiento: carga, recuperación y rendimiento.

En la pista

  • Jabalina a nivel nacional, además de balonmano, natación, boxeo y musculación.
  • La competición enseña lo que ningún curso enseña: prepararse para el único lanzamiento que cuenta, aceptar un mal día y volver a la semana siguiente.
  • También ahí aprendí que el progreso rara vez es lineal, algo útil de recordar cuando un modelo deja de mejorar.

Los datos al servicio del entrenamiento

  • Carga de entrenamiento: RPE de sesión, volumen e intensidad, carga aguda y crónica, monotonía y tensión.
  • Recuperación: variabilidad de la frecuencia cardiaca, frecuencia cardiaca en reposo y sueño, interpretadas frente a la carga y no de forma aislada.
  • Progresión: los tests de rendimiento tratados como mediciones con su propio ruido, para no confundir una mejora real con un buen día.
  • Planificación: decisiones de periodización y puesta a punto basadas en la literatura científica.

Las muestras pequeñas, las diferencias entre individuos y la calidad de los datos de los relojes deportivos obligan a la prudencia: una tendencia se presenta como una tendencia, nunca como un diagnóstico.