Applied ML Engineer. Construyo pipelines RAG, sistemas de document intelligence y flujos de datos bajo restricciones reales — API limits, documentos ruidosos, formatos heterogéneos. Actualmente en CIP (CGIAR).
Legal RAG
ArbitrIA
LlamaIndex · retrieval semántico
Vision
NAO Emotion Detection
PyTorch · Flask · sub-120ms pipeline
Research
Imitator
ST-GCN + Transformer · Springer CCIS
Sistema de reconocimiento de emociones para robot NAO en intervención psicoeducativa (TEA). Pipeline end-to-end con menos de 120ms de latencia: captura, HTTP, inferencia CNN, respuesta adaptativa. Comparación de 3 arquitecturas bajo restricciones de hardware.
Sistema RAG para consulta de documentos de arbitraje peruano. Retrieval semántico con indexación a nivel de documento y chunk, ingesta de PDFs con estructura variable, e interfaz conversacional con contexto entre turnos.
Arquitectura multimodal para traducción de lenguaje de señas sin gloss. Alineación de secuencias de keypoints visuales (ST-GCN) con embeddings de texto derivados de LLM via cross-attention. Forthcoming in Springer CCIS (2026).
Pipeline de procesamiento de datos para 1.5M transacciones residenciales (1992–2024). Feature engineering sobre tipos heterogéneos, benchmarking XGBoost vs H2O AutoML, e interpretabilidad con SHAP/LIME para validación contra dinámicas de mercado.
Forthcoming in Springer CCIS (2026) — aceptado, pendiente de publicación
¿Interesado en colaborar? ¿Tienes una oportunidad en Data/ML? Me encantaría conocer tu proyecto.
ML aplicado, pipelines de datos
CNNs, optimización, deployment
LlamaIndex, OpenCV, MediaPipe
Python, H2O, PyTorch, FastAPI
🚀 Reflexion en la chamba • Lima, Perú & Remoto
¿Prefieres el contacto directo?