Sobre mí
Primero el problema de negocio,
luego el modelo.
Ingeniero de IA y consultor de automatización que construye agentes LLM, pipelines RAG y sistemas de voz que aguantan en producción, no solo en una demo. Cada sistema arranca en un problema operativo y trabaja hacia atrás hasta la arquitectura más pequeña que lo elimina.
Lo que pienso sobre este trabajo
Las demos son fáciles. Producción es el trabajo.
La mayoría de los proyectos de IA mueren entre el notebook y el despliegue. Yo construyo la parte que sobrevive: evaluación, planes alternativos, observabilidad y sistemas robustos que se comportan cuando llegan usuarios reales.
Primero el problema de negocio, luego el modelo.
Cada sistema que entrego arranca en un dolor operativo: leads que se pudren en un buzón, colas de soporte desbordadas, conocimiento atrapado en PDF. Desde ahí trabajo hacia atrás hasta la arquitectura más pequeña que lo elimina.
Full stack, de principio a fin.
Orquestación de agentes en LangGraph, recuperación sobre búsqueda híbrida, back-ends en FastAPI y front-ends en React. Una sola persona es dueña de todo el sistema, así que nada se pierde en el traspaso.
El mismo bucle,
en cada sistema.
Ya sea un empleo, un encargo de cliente o algo entregado en solitario. Los pasos no cambian; solo cambia cuánto dura cada uno.
Yo soy dueño de la arquitectura y de la construcción. Cuando un encargo necesita más capacidad de implementación de la que tiene una persona, incorporo a un pequeño equipo de ingeniería y automatización con el que ya he trabajado, y sigo siendo responsable de lo que se entrega.
- 01
Entender
El problema real y sus restricciones, antes de tocar un modelo o un framework. Resultado: una imagen clara de lo que producción exige de verdad.
- 02
Diseñar
Arquitectura del sistema, elección de modelos y flujo de datos, pensados y escritos antes de una sola línea de código.
- 03
Construir
Implementación orientada a producción en iteraciones cortas, probada pronto contra entradas reales y no sintéticas.
- 04
Entregar
Desplegado, monitorizado y documentado. Sin cajas negras y sin huecos en el traspaso.
- 05
Mejorar
Evaluado y ajustado después del lanzamiento. Los sistemas mejoran en producción, no empeoran.
Experiencia
De la empresa,al producto, a la IA.
Cinco puestos, cada uno una parte distinta de la misma progresión: entender cómo se construyen los sistemas empresariales, aprender a pensar en productos, y después construir los sistemas de IA en sí.
Construye sistemas de IA generativa y de IA agéntica de nivel producción para uso empresarial, poniendo el énfasis en sistemas que siguen siendo fiables bajo carga real en lugar de en prototipos experimentales.
Sobre In Time TecGlobal AI & software partner
A global technology partner trusted by enterprise clients across the US, built on a rare promise: ROI, or they don't get paid.
- Construye aplicaciones de IA agéntica y LLM en producción con LangGraph y FastAPI
- Diseña arquitecturas RAG sobre LlamaIndex y Qdrant con búsqueda híbrida y generación anclada
- Desarrolla agentes de IA escalables sobre Python, Azure AI y Redis con orquestación de flujos con estado
- Implementa mecanismos de seguridad y fiabilidad: enmascarado de datos personales, seguridad de contenidos y detección de jailbreak
- Mejora los sistemas en producción mediante observabilidad y ejecución en paralelo
Formación
B.Tech, Informática
JK Lakshmipat University, Jaipur
Bachillerato, Física, Química, Matemáticas
Delhi Public School, India
Educación secundaria
St. Anselm's Pink City Sr. Sec. School
Cómo trabajo con equipos
Trabaja en remoto con equipos en cualquier zona horaria, con horario europeo y británico cubierto de serie. Esos sistemas dan servicio a usuarios en más de 10 países.
Acepta puestos de ingeniería a tiempo completo y colaboraciones seleccionadas por contrato o proyecto, en remoto y en cualquier zona horaria. La mayor parte de ese trabajo se hace con equipos en Europa, Reino Unido, Norteamérica y Australia. Cuando una empresa contrata desde el extranjero, el trabajo de proyecto se desarrolla como una prestación de consultoría y no como empleo, sin necesidad de permiso de trabajo local por ninguna de las dos partes.
Cómo se desarrolla un encargo
La mayoría de los encargos empiezan por la auditoría, porque un primer paso fijo y acotado es lo que hace decidible un segundo paso mayor. Nada de lo que sigue es un paquete: las etapas existen para que puedas imaginarte la forma, y el alcance se escribe antes de que ninguna de las dos partes se comprometa.
- 01
Auditoría
1 a 2 semanas · Punto de partida habitual
Una revisión de alcance fijo del flujo que quieres automatizar o de la funcionalidad de IA que quieres construir: qué aspecto tienen los datos realmente, qué partes necesitan de verdad un modelo, cuáles conviene que sean deterministas, y cuánto costaría operarlo en producción.
Recibes
Una arquitectura escrita y un plan de construcción que son tuyos, se haga la construcción conmigo o no. - 02
Construcción
4 a 12 semanas
Implementación en iteraciones cortas contra entradas reales, no sintéticas. Ves software funcionando cada semana, y lo que se construye es la arquitectura de la auditoría, así que las discusiones de alcance ocurren sobre papel y no dentro del código.
Recibes
Un sistema desplegado, su marco de evaluación y documentación que otra persona de tu equipo puede retomar. - 03
Operación
Mensual, cancelable en cualquier momento
La parte que la mayoría de los proyectos de IA se salta. Los modelos derivan, las indicaciones caducan, las APIs de las que dependes cambian la forma de su salida, y un pipeline que era preciso el primer mes está discretamente equivocado en el cuarto si nadie lo mide.
Recibes
Monitorización, campañas de evaluación y una nota mensual sobre qué cambió y cuánto costó.
Lo que no acepto
Cuatro cosas que salen lo bastante a menudo como para decirlas en voz alta. Ninguna es un juicio sobre ese trabajo; son sitios donde otra persona lo hará mejor que yo.
- Entrenar modelos desde cero
- Ajuste fino donde se gana su sitio, sí. Preentrenar un modelo fundacional es otra disciplina con otro presupuesto, y quien te diga que es la respuesta a un problema de negocio normalmente está vendiendo el entrenamiento.
- Un chatbot sin sistema detrás
- Envolver una API en una ventana de chat lleva una tarde y no resuelve nada duradero. Lo que merece pagarse es la recuperación, la evaluación y la operación de alrededor, que es justo donde se tuercen las demos que nunca llegan a producción.
- Diseño o trabajo de marca en solitario
- Las interfaces de aquí están hechas para volver legible el sistema, no para ganar un premio de diseño. Si el entregable es un sistema de marca o una identidad visual, necesitas un estudio, y la construcción saldrá mejor por ello.
- Refuerzo de equipo por horas
- Los encargos se acotan a un resultado, con una arquitectura escrita detrás. Un asiento abierto sobre un backlog es un servicio real y una compra razonable; simplemente no es este.