Ingeniero de IA · Sistemas de datosAbierto a reubicación en la UE y a roles remotosValencia, VE · UTC−4
Andrés Gutiérrez
Diseño plataformas de IA en producción: kernels de agentes, capas de integración MCP y pipelines de ML sobre los que operan equipos de negocio reales.
6
asistentes de IA en producción sobre un kernel de agentes compartido
159
herramientas MCP en 7 servidores con OAuth 2.0 PKCE por usuario
1.081
tests unitarios que validan cada cambio, más evals contra el modelo real
−95%
de ruido en alertas de reposición de inventario
Trabajo destacado
Invertropoli C.A. · Oct 2024 – actualidad
Caso de estudio · Plataforma de IA empresarial
Sentinel
Una plataforma de IA empresarial (FastAPI + React/TypeScript) que pone siete sistemas de negocio —riesgo crediticio, flujo de caja, posventa de repuestos, reposición y pedidos de neumáticos, cumplimiento fiscal, análisis de impacto— detrás de una sola capa de agentes, operando sobre Dynamics GP, Odoo y SQL Server, para un grupo distribuidor de vehículos GWM y BAIC.
150→10líneas para conectar un sistema nuevo al kernel de agentes
7d→realproceso de flujo de caja de tesorería, ahora en tiempo real
61%del backlog de compras era invisible para el KPI anterior
25hde crash loop en MCP detectado, con causa raíz, ahora vigilado con health checks
Clientes6 asistentesClaude vía MCP
↓ herramientas filtradas por rol
Kernel de agentestool-callingSSEguardia anti-inyección
↓
Memoria · MLRedispgvectorLightGBMTimesFM
↓ adaptadores hexagonales
SistemasDynamics GPOdooSQL Server
Arquitectura de IA
Kernel de agentes compartido (tool-calling, streaming por SSE) reutilizado por 6 asistentes: crédito, SCM, flujo de caja, neumáticos, pedidos y un chatbot federado.
Conectar un sistema nuevo pasó de unas 150 líneas duplicadas a cerca de 10 líneas de configuración.
Capa MCP: 7 servidores, 159 herramientas verificadas, OAuth 2.0 PKCE para que asistentes como Claude actúen en nombre de cada usuario.
El chatbot federado cruza varios sistemas de negocio en una sola respuesta; 116 herramientas se filtran por rol antes de llegar al modelo: un usuario sin acceso ejecuta 0 herramientas fuera de su alcance.
Memoria del agente: memoria de trabajo en Redis, memoria episódica/semántica en pgvector, trazabilidad con Jaeger y control de costo de tokens por usuario.
6 modelos de ML para riesgo crediticio (un clasificador de riesgo con AUC de 0,78–0,81 en holdout temporal, con explicabilidad SHAP, más modelos de morosidad, días de atraso, límite de crédito y monto), monitoreados por drift con PSI.
Pronóstico de demanda por SKU con TimesFM, comparado contra ARIMA/STL, que alimenta un motor de reposición (s,S).
Impacto de negocio
Proceso de flujo de caja de tesorería: de una semana completa de trabajo manual a tiempo real, con proyección móvil a 40 semanas.
61% del backlog de compras era invisible para el KPI anterior.
Ruido de alertas en reposición de inventario, −95%.
Catálogo de repuestos depurado en un 72%, hasta los códigos realmente gestionados.
Cerca del 7% de la cartera de crédito bajo alerta temprana activa.
Procesamiento de pedidos de neumáticos: de 8 horas a menos de 2 (−75%), migrando un flujo de importación desde Excel 100% manual a un producto nativo, pasando por una etapa intermedia con Claude + MCP.
Módulo de cumplimiento fiscal en tiempo real (fisco nacional y municipal), que elimina la descarga manual de reportes para un grupo con varias entidades legales.
Sistema de almacén en tiempo real Colossus: sincronización de inventario de una semana a tiempo real, picking de neumáticos y ruteo de montacargas.
Seguridad y confiabilidad
Detecté conexiones a SQL Server forzando transporte sin cifrar en 5 puntos del código; la causa raíz fue un bug de resolución del driver ODBC, corregido y verificado en las 4 bases de datos de producción.
Incorporé detección de inyección de prompts en el kernel compartido, protegiendo a los 6 asistentes.
Incidente en producción: 7 servidores MCP atrapados en un crash loop de unas 25 horas sin ser detectado, causado por una dependencia sin límite superior de versión que introdujo un cambio incompatible; identifiqué la causa raíz, apliqué una corrección mínima y segura, y luego agregué health checks de Docker en los 7 servicios más un watchdog con alertas en tiempo real por chat.
Encontré 4 de 7 servidores MCP que no reenviaban la identidad real del usuario, verificado directamente contra el código y no contra documentación desactualizada.
Incidente de CI/CD (disco lleno en el runner) con causa raíz en falta de limpieza de Docker; agregué un cron preventivo.
Disciplina de ingeniería. Más de 1.081 tests unitarios y una suite de evals de IA separada contra el modelo real, arquitectura hexagonal (dominio / aplicación / infraestructura) en más de 6 sistemas, 21 jobs programados, RBAC, auditoría, Docker y GitLab CI/CD.
Analista de IA — Unidad de Tecnologías Emergentes
Oct 2024 – actualidad
Invertropoli C.A. — Distribuidor oficial de vehículos GWM y BAIC en Venezuela
Diseño y opero Sentinel de punta a punta: el kernel de agentes compartido, la capa de herramientas MCP, los modelos de ML y la postura de seguridad descrita arriba.
Desarrollador Full-Stack, Pasantía Académica (requisito de grado)
Sep 2024 – May 2025
RSC Services C.A.
Sistema de mantenimiento proactivo con IA que digitaliza flujos de trabajo en Excel para equipos rotativos industriales e informes de vibración. Llama 3.2 (1B), servido con Hugging Face, automatiza el AMFE y las recomendaciones de mantenimiento. Construí un módulo de programación automatizada integrado con el chatbot (PHP, MySQL, JavaScript). También fue el tema de su tesis de grado.
Código abierto
github.com/ElSirGuti
Pipeline de datos · ML
Motorsport Analytics Pipeline
Permite cargar archivos CSV de vueltas para comparar el rendimiento de los pilotos vuelta a vuelta, analizar deltas de tiempo, generar diagramas G-G, modelar la temperatura de neumáticos y frenos, detectar anomalías con Isolation Forest y recibir recomendaciones de configuración de un asesor con IA.
PythonIsolation ForestDiagramas G-GAsesor de setup con IA
Desarrollo de un sistema de mantenimiento proactivo basado en IA para RSC Services C.A.: Llama 3.2 lee informes de vibración, automatiza el AMFE y programa el mantenimiento de equipos rotativos industriales.
Universidad José Antonio Páez (UJAP) · San Diego, Venezuela
Tesis defendida en mayo de 2025 · Acto de graduación en octubre de 2025
Sep 2021 – May 2025
Formula SAE UJAP
Ene 2024 – May 2025
Líder del equipo de Aerodinámica
Diseño y simulación CFD del paquete aerodinámico, además de coordinación entre equipos.
AlquiPadel
Abr 2025
Cofundador y desarrollador líder
Plataforma de reservas de canchas de pádel. 2.º puesto, Best Product Award en la feria de emprendimiento de la UJAP.
Certificaciones
Deutsch A2.1SmartClass VenezuelaJul 2026
Generative AI LeaderGoogle CloudAbr 2026
CCNA: Switching, Routing and Wireless EssentialsCisco Networking AcademyEne 2026
CCNA: Introduction to NetworksCisco Networking AcademyAgo 2025
EF SET English C2 ProficientEF SETAbr 2025
Data Science: ProbabilityHarvardXMar 2024
Data Science: VisualizationHarvardXEne 2024
Data Science: R BasicsHarvardXNov 2023
Idiomas
Españolnativo
InglésC2 · EF SET Proficient
AlemánA2 · certificado, en progreso
FrancésA1 · en progreso
Habilidades
IA y ML
Agentes con tool-callingMCPMemoria de agentes (Redis, pgvector)EmbeddingsEvals de LLMClaudeLlamaPyCaretLightGBMscikit-learnPyTorchSHAPTimesFMARIMA/STLVisión por computadoraR