COSTO
< 0,10 USD por documento
Pipeline de 3 agentes de IA en cadena que procesa un documento completo de punta a punta.
Backend Developer · Enfocado en IA y Automatización
Construyo sistemas backend y pipelines de datos inteligentes utilizando Python, FastAPI y LLMs para transformar documentos no estructurados en información de negocio valiosa.
01 / RESULTADOS VERIFICABLES
Cada dato sale de un sistema que construí.
COSTO
< 0,10 USD por documento
Pipeline de 3 agentes de IA en cadena que procesa un documento completo de punta a punta.
ENTRADA
3 formatos PPTX · PDF · XLSX
API REST con FastAPI que ingiere documentos desordenados y los convierte en datos estructurados en PostgreSQL (JSONB).
DESPLIEGUE
En producción
API de procesamiento de facturas con IA, con Swagger público, desplegada en Azure con CI/CD.
02 / PORTAFOLIO
Pipelines de IA y sistemas web, de la idea a una demo funcional.
PROYECTO PROPIO · EN PRODUCCIÓN
Problema: Las facturas en PDF y texto son documentos no estructurados, difíciles de consultar e integrar con otros sistemas.
Solución: Pipeline en Python que extrae los datos clave con LLMs (Groq), los guarda de forma transaccional en PostgreSQL y los expone en una API REST, con el flujo orquestado en n8n.
Resultado: API desplegada en Azure con CI/CD y Swagger público. Código open source.
PROYECTO PROPIO · DEMO EN AZURE
Problema: Gran parte de la inteligencia de negocio está atrapada en PPTX, PDFs y Excels desordenados que no se pueden consultar.
Solución: API REST con FastAPI que ingiere los archivos, los limpia y los pasa por una cadena de agentes de IA (Analista de Mercado → Analista de Marca). El resultado se guarda en PostgreSQL (JSONB) y n8n genera tableros con los insights.
Resultado: Procesar un documento completo con 3 agentes en cadena cuesta menos de 0,10 USD.
DATOS DE PRUEBA PROYECTO ACADÉMICO · UTN HAEDO · EN EQUIPO
Problema: La gestión de empleados, sucursales, turnos y asistencia necesita centralizarse en un sistema web.
Solución: Sistema web con panel autenticado, fichaje manual y mediante códigos QR, validación de ubicación, dashboard de asistencia y reportes exportables a PDF.
03 / ENFOQUE · DATOS ANTES QUE AGENTES
Meter archivos desordenados en un chat de IA y pedir un resumen no escala. Antes de conectar agentes, hay que limpiar y estructurar la información.
ANTES · EL CAOS
DESPUÉS · LA BASE
Extraer: API REST con FastAPI que ingiere archivos PPTX, PDF y XLSX.
Limpiar y analizar: limpieza profunda del texto y agentes de IA encadenados (Analista de Mercado → Analista de Marca) con Groq.
Persistir: guardado estructurado en PostgreSQL con JSONB, ideal para auditoría y búsquedas rápidas.
Automatizar: n8n consume la base y genera tableros con los insights para los consultores.
Basura entra, basura sale. Procesar un documento completo con 3 agentes en cadena cuesta menos de 0,10 USD.
Ver el proyecto →04 / SOBRE MÍ
Principios que aplico en cada pipeline.
API REST con FastAPI y Pydantic para validar lo que entra y lo que sale.
Guardado transaccional en PostgreSQL y JSONB para poder auditar cada resultado.
n8n orquesta el flujo desde el archivo hasta el tablero de insights.
Despliegue en Azure con GitHub Actions, no solo código en local.
UTN Facultad Regional Haedo
Promedio 8,46 / 10 · Egresado · Título en trámite Acceder al estado/notas académicas05 / CONTACTO
Contame qué necesitás. Puedo ayudarte a automatizar un proceso, ordenar datos desordenados o construir una API que llegue a producción.