Área técnica
Espacio destinado a análisis, experimentación y evolución de modelos.
Formación base en sistemas informáticos y tecnología, donde se establecen los fundamentos técnicos del perfil profesional.
Optimización de modelos de clasificación para predicción de cáncer, con especial atención al ajuste del umbral clínico.
AUC: 1.0 · Precision: 1.0 · Recall clínico: 1.0
Ver memoriaComparativa entre SVM, regresión logística y Random Forest mediante recall, precision, F1, AUC y balanced accuracy.
Ver métricasAjuste del threshold para reducir falsos negativos y priorizar sensibilidad en un contexto de diagnóstico médico.
Ver thresholdDesarrollo completo del pipeline: limpieza, normalización, entrenamiento, evaluación e inferencia.
Ver códigoDistribuciones, boxplots, correlaciones y relaciones entre variables para comprender el comportamiento del dataset.
Ver estadísticaModelo de clasificación de radiografías en fracturado y no fracturado mediante una red neuronal convolucional entrenada en PyTorch.
Accuracy: 0.76 · Mejor CV: 0.79 · F1 Macro: 0.75
Ver proyectoEstudio sobre modelos generativos aplicados a visión artificial médica: superresolución, generación de imágenes sintéticas y mejora de datasets.
Diffusion Models · Superresolución · Datos sintéticos
Ver estudioMás de 9000 radiografías clasificadas con técnicas de augmentación para mejorar la generalización del modelo.
Ver detallesPreparación de datos, balanceo de clases, entrenamiento y evaluación del modelo.
Preprocesado Modelo CNNMétricas de clasificación, matriz de confusión y validación cruzada.
Ver pipeline técnico
Evolución de la pérdida durante el entrenamiento del modelo.
Exploración visual del modelo: arquitectura, resultados y comportamiento.
Análisis técnico y propuesta de mejora para un sistema de procesamiento de lenguaje natural aplicado a asistentes de voz.
NLP · Transformers · ASR/TTS · Arquitectura de sistemas
Ver documentoDiseño de un sistema basado en modelos de lenguaje para automatizar el soporte multilingüe en entornos empresariales.
LLM · Transformers · Multilingüe · Seguridad · Integración API
Ver documentoIdentificación de los principales retos en NLP: representación del texto, contexto, ambigüedad y variabilidad lingüística.
Integración de LLMs en sistemas reales de atención al cliente con requisitos de precisión, privacidad y coherencia.
Integración de embeddings, modelos Transformer (BERT/GPT) y sistemas de voz (Whisper, Tacotron).
Uso de arquitectura Transformer, modelos base y técnicas de alineación como RLHF para garantizar respuestas seguras.
Evaluación del impacto en experiencia de usuario, recursos necesarios y riesgos técnicos del sistema.
Multilingüismo, latencia, control de alucinaciones, privacidad de datos y adaptación al dominio.
Fine-tuning + in-context learning, integración mediante APIs y control de acceso a datos con capa intermedia.
Seguimiento del comportamiento del modelo en producción, detección de errores, alucinaciones y evaluación continua de la calidad de las respuestas.
Observabilidad · Logging · Evaluación continua · Feedback humano
Repositorio estructurado con memorias, arquitectura, modelos, inferencias y anexos técnicos.
Estructura técnica del portfolio, despliegue cloud y organización del repositorio.
Ver arquitecturaEspacio reservado para documentación técnica adicional, guías, anexos o futuras demos.