Estadística con supuestos explícitos, pipelines que sostienen el dato en el tiempo y sistemas que responden en milisegundos y siguen calibrados cuando el comportamiento cambia. Producción no es la meta: es donde empieza el trabajo.
AntioquiaAtlánticoBogotáBoyacáCundinamarcaLa GuajiraMetaValle del Cauca
Estadística aplicada, ingeniería de datos e IA
Modelado, analítica y sistemas de información
En operación y en desarrollo, con usuarios reales
Cada uno de extremo a extremo: modelo de datos, backend, interfaz y puesta en operación.
Ministerio del Interior
Policía Nacional
Ministerio de Igualdad
Comisión Legal para la Equidad de la Mujer
Gobernación de Boyacá
Alcaldía de Cali
Gobernación del MagdalenaSistema activo
9 servicios · 3 disciplinas
/Ciencia de datos
Preguntas ambiguas convertidas en estimaciones defendibles, con los supuestos y la incertidumbre a la vista.
03 servicios
Para saber si un cambio funcionó, y no solo si coincidió con algo. La métrica y el tamaño de muestra se fijan antes de lanzar, y el resultado se lee por segmento además de en promedio.
Entrega: Protocolo · Análisis · Decisión documentada
Preguntar por este servicioPara que una encuesta con diseño muestral complejo no se lea como si fuera una muestra simple. Factores de expansión, tratamiento de la no respuesta e intervalos calculados sobre el diseño real.
Entrega: Estimaciones · Documento metodológico · Código reproducible
Preguntar por este servicioPara decisiones que dependen de cuánta probabilidad hay, no solo de qué opción es más probable. El modelo se entrega calibrado y con su curva de calibración a la vista.
Entrega: Modelo · Métricas de calibración · Límites de uso
Preguntar por este servicio/Ingeniería de machine learning
Modelos que dejan el cuaderno y operan: latencia acotada, datos frescos y comportamiento vigilado.
03 servicios
Para llevar un modelo del cuaderno a una API que responde dentro de un tiempo acordado. La latencia se mide en los percentiles 50 y 95, que es donde vive la cola.
Entrega: API · Contenedor · Métricas de servicio
Preguntar por este servicioPara que el modelo vea el mismo dato al entrenarse y al operar. Ingesta, transformación y features versionadas bajo una única definición.
Entrega: Pipeline · Contratos de datos · Pruebas automatizadas
Preguntar por este servicioPara detectar que el modelo empezó a fallar antes de que lo note el negocio. Vigilancia de deriva y desempeño, cadencia de reentrenamiento definida y control del sesgo que el propio modelo introduce.
Entrega: Tablero de monitoreo · Alertas · Política de reentrenamiento
Preguntar por este servicio/Ingeniería de IA
Sistemas con modelos de lenguaje que se miden antes de prometer: recuperación evaluada, costo y modos de fallo.
03 servicios
Para responder sobre documentación propia sabiendo qué tan bien encuentra, y no solo qué tan bien redacta. Recuperación y generación se evalúan por separado.
Entrega: Sistema · Conjunto de evaluación · Línea base
Preguntar por este servicioPara que un agente consulte y actúe sobre sistemas reales sin poder romper nada. Permisos de solo lectura, topes de ejecución y validación previa de cada acción.
Entrega: Agente · Guardarraíles documentados · Registro de trazas
Preguntar por este servicioPara saber si el sistema mejoró o solo cambió. Casos etiquetados, línea base contra la que comparar, taxonomía de fallos con porcentajes, y costo y latencia por consulta.
Entrega: Suite de evals · Informe de fallos · Costo y latencia
Preguntar por este servicio01
Antes de tocar un dato: qué decisión depende de esto, qué métrica lo probaría y qué resultado lo refutaría. Una pregunta que no se puede refutar no es una pregunta.
02
Fuentes, contratos de datos y features con la misma definición en entrenamiento y en inferencia. Y una línea base explícita: sin algo contra qué comparar, cualquier resultado parece bueno.
03
Primero el conjunto de evaluación, después el modelo. Los modos de fallo se documentan con porcentajes, no con anécdotas, y se declara qué no se puede concluir de estos datos.
04
Servicio tras una API con presupuesto de latencia declarado, probabilidades calibradas y guardarraíles explícitos sobre lo que el sistema puede y no puede hacer.
05
Deriva de datos, deterioro del desempeño y el sesgo que el propio sistema introduce en lo que verá mañana. De esta fase se vuelve a la primera: la métrica que servía deja de servir.
Científico de datos · Bogotá, Colombia
Seis años trabajando con datos en dos mundos que rara vez se cruzan: empresas como Aeroméxico, Farmatodo y HDI Seguros, e instituciones del Estado colombiano. En las primeras el problema es la escala; en las segundas, que el dato es sensible y el error se paga caro.
Diseño los modelos, construyo los pipelines que los alimentan y los sostengo puntuando en tiempo real. Cuando una decisión automática depende del valor de la probabilidad, calibrarla deja de ser un detalle metodológico.
Ciencia de datos
Inferencia, experimentación y modelado predictivo
Ingeniería de machine learning
Modelos servidos, pipelines y monitoreo en operación
Ingeniería de IA
Sistemas con LLM, recuperación y suites de evaluación
Desarrollo de sistemas
Plataformas de extremo a extremo, del esquema a producción
Herramientas con las que construyo modelos, pipelines y sistemas que operan.
Next.js
Aplicaciones web y plataformas
Python
Análisis y modelado estadístico
R
Análisis y visualización estadística
PostgreSQL
Bases de datos relacionales
Neon
Postgres serverless
AWS
Infraestructura en la nube
Google Cloud
Infraestructura en la nube
Cloudflare
Red, DNS y seguridad
Docker
Contenedores y despliegue
Claude / OpenAI
IA generativa y LLM
LangChain
Orquestación de agentes
Databricks
Plataforma de datos y ML
Power BI
Visualización y dashboards
GIS / QGIS
Análisis geoespacial
Git / GitHub
Control de versiones
Cursor
Desarrollo asistido por IA
Auth.js
Autenticación y seguridad
Vercel
Despliegue y CI/CD
Supabase
Backend en la nube
Qué hay que construir, con qué evidencia se sostiene y cuándo queda operando.
Una primera conversación para entender el problema, sin costo y sin compromiso.
Escribir por WhatsAppConfidencial
La información y el contexto del proyecto se manejan con absoluta reserva.
Sin compromiso
Reviso el caso y digo con honestidad si puedo aportar valor o no.