Applied AI Systems Engineer · PhD Researcher · Industrial AI
Diseño, implemento y valido sistemas inteligentes para telemetría industrial, detección de anomalías, control de procesos e IA en producción. I design, build, and validate intelligent systems for industrial telemetry, anomaly detection, process control, and production AI.
Mi trabajo doctoral estudia medición, monitoreo y control inteligente en sistemas industriales, como well testing y flowback. Dentro de ese marco, actualmente investigo detección de anomalías en series temporales multivariables y arquitecturas híbridas que combinan machine learning tradicional, computer vision, modelos especializados y LLMs. My doctoral work studies intelligent measurement, monitoring, and control in industrial systems such as well testing and flowback. Within that broader program, I currently research anomaly detection in multivariate time series and hybrid architectures combining traditional machine learning, computer vision, specialized models, and LLMs.
Muestreo inteligente, reconstrucción y confiabilidad de señales de presión, temperatura y caudal. Sobre esa base estudio anomalías multivariables, drift y cambios de régimen operacional.Intelligent sampling, reconstruction, and reliability of pressure, temperature, and flow signals—providing the foundation for studying multivariate anomalies, drift, and operational regime changes.
Smart Sampling Strategies →Comparación de qué modelos detectan mejor un evento y cuáles aportan contexto o explicación, sin asumir que un único enfoque resuelve todas las capas del problema.Comparing which models best detect an event and which add context or explanation, without assuming that one approach solves every layer of the problem.
Industrial Anomaly Detection →Un digital twin de separador permite comparar control manual, PID, auto-tuning y enfoques asistidos por ML bajo perturbaciones repetibles antes de avanzar hacia validación de campo.A separator digital twin supports comparison of manual control, PID, auto-tuning, and ML-assisted approaches under repeatable disturbances before moving toward field validation.
Harnesses para comparar prompts, herramientas, retrieval, salidas estructuradas y selección de modelos. Incluye modelos open source, inferencia local y dispositivos edge bajo restricciones reales.Harnesses for comparing prompts, tools, retrieval, structured outputs, and model selection—including open-source models, local inference, and edge devices under real constraints.
Recurso público relacionadoRelated public resource →Extiendo los mismos métodos de adquisición, validación temporal, detección de anomalías e inferencia local a problemas donde la calidad de la medición, la privacidad y la capacidad de operar en edge también son críticas.I extend the same methods for data acquisition, temporal validation, anomaly detection, and local inference to problems where measurement quality, privacy, and edge operation are equally critical.
Pipeline inicial de frecuencia cardíaca en tiempo real desde Garmin a ~1 Hz y una línea experimental para detectar artefactos de movimiento y ventanas poco confiables comparando relojes, bandas de pecho y datasets públicos de PPG.An initial real-time Garmin heart-rate pipeline at approximately 1 Hz, with ongoing experiments to detect motion artifacts and unreliable windows by comparing watches, chest straps, and public PPG datasets.
Evaluación de modelos pequeños para intake clínico y cuestionarios estandarizados, con scoring determinístico, salidas estructuradas, escalación humana y despliegue privado.Evaluation of small models for clinical intake and standardized questionnaires, with deterministic scoring, structured outputs, human escalation, and private deployment.
EdgeDACS es el entorno donde integro telemetría industrial y simulación de procesos con pipelines experimentales para digital twins, computer vision, Edge AI, LLMs y benchmarking de modelos. Su función es convertir preguntas de investigación en experimentos repetibles sobre adquisición de datos, evaluación y despliegue.EdgeDACS is the environment where I integrate industrial telemetry and process simulation with experimental pipelines for digital twins, computer vision, Edge AI, LLMs, and model benchmarking. Its role is to turn research questions into repeatable experiments across data acquisition, evaluation, and deployment.
El repositorio permanece privado porque contiene investigación en curso y configuraciones experimentales todavía no publicadas.The repository remains private because it contains active research and unpublished experimental configurations.
Simulador educativo abierto para explorar well testing, dinámica de separación trifásica y sintonía de control en un entorno seguro. An open educational simulator for exploring well testing, three-phase separation dynamics, and process control tuning in a safe environment.
Simulador educativo abierto de un separador trifásico para explorar well testing, interacción entre lazos y sintonía PID en un entorno seguro. La base física y de control se apoya en experiencia industrial, investigación y trabajo previo con digital twins de procesos, mientras que GPT-5.6 y Codex fueron utilizados como herramientas de ingeniería asistida por IA durante su desarrollo.An open educational three-phase separator simulator for exploring well testing, loop interaction, and PID tuning in a safe environment. Its physical and control foundations build on industrial experience, research, and prior work with process digital twins, while GPT-5.6 and Codex were used as AI-assisted engineering tools during development.
Simulador desarrollado con fines exclusivamente educativos y conceptuales; no destinado a operación de campo, dimensionamiento de equipos ni diseño de sistemas de seguridad.Developed strictly for educational and conceptual exploration; not intended for field operations, equipment sizing, or safety-system design.
Recursos reutilizables para que equipos de ingeniería puedan adoptar prácticas consistentes, verificables y reproducibles.Reusable engineering resources that help teams adopt consistent, verifiable, and reproducible practices.
AI Harness Engineering
Guía bilingüe para diseñar gobernanza, habilidades operativas, automatización y ciclos de verificación alrededor del desarrollo asistido por IA.A bilingual guide to designing governance, operational skills, automation, and verification loops around AI-assisted development.
Ver recurso en GitHubView resource on GitHub →Reproducible ML Engineering Foundation
Plantilla mantenida para proyectos de machine learning con entornos reproducibles, pruebas, controles de calidad, documentación de arquitectura y flujos de trabajo para agentes.A maintained machine-learning project template with reproducible environments, tests, quality gates, architecture documentation, and agent-ready workflows.
Ver template en GitHubView template on GitHub →La tesis estudia un sistema integrado para well testing: muestreo inteligente y corrección de mediciones, control de válvulas con redes neuronales frente a PID, monitoreo de quemadores mediante visión por computadora y ensambles de modelos para una operación más robusta. La detección de anomalías multivariables y la inferencia edge son investigaciones complementarias dentro de este marco.The thesis studies an integrated system for well testing: intelligent sampling and measurement correction, neural-network valve control compared with PID, computer-vision monitoring of burners, and model ensembles for more robust operation. Multivariate anomaly detection and edge inference are supporting research lines within this broader framework.
Arquitectura para combinar recuperación de contexto y razonamiento en detección de anomalías industriales.An architecture combining context retrieval and reasoning for industrial anomaly detection.
Muestreo adaptativo para reducir transmisión y almacenamiento sin perder información relevante.Adaptive sampling that reduces transmission and storage without losing relevant information.
Diseño de un sistema agentic RAG con evaluación y trazabilidad a nivel de flujo.Design of an agentic RAG system with flow-level evaluation and traceability.
Comparación de control basado en ML y esquemas PID clásicos para sistemas industriales.Comparison of ML-based control and classical PID schemes for industrial systems.
Trabajo de campo y coautoría sobre medición multifásica de gas húmedo sin fuentes nucleares.Field work and co-authorship on non-nuclear wet-gas multiphase measurement.
Casos y metodologías sobre evaluación, observabilidad, modelos pequeños y decisiones de arquitectura en sistemas de IA.Cases and methods covering evaluation, observability, small models, and architecture decisions in AI systems.
Qué medir, cómo trazarlo y por qué la observabilidad de un sistema de lenguaje exige criterios diferentes a los del software tradicional.What to measure, how to trace it, and why language-system observability requires different criteria from traditional software.
Leer artículoRead article →Caso HealthTech teacher-student: fine-tuning de un SLM para preparación de consultas con salida SBAR, evaluación y despliegue local sin depender de APIs externas.A HealthTech teacher-student case: fine-tuning an SLM for consultation preparation with SBAR output, evaluation, and local deployment without external APIs.
Leer artículoRead article →Cómo reemplazar una clasificación basada en LLM por un pipeline especializado cuando los datos permiten reducir costo, latencia y dependencia.How to replace LLM-based classification with a specialized pipeline when the data supports lower cost, latency, and dependency.
Leer artículoRead article →Participaciones verificables en conversaciones de industria y evaluación de contenido técnico para la comunidad de machine learning.Documented participation in industry conversations and technical-content evaluation for the machine-learning community.
Invitado al panel presencial de ConnectIA en el Auditorio del LATU para conversar sobre calidad y escalabilidad de datos, costos, integración, viabilidad técnica y aprendizajes de sistemas reales.Invited to ConnectIA’s in-person panel at the LATU Auditorium to discuss data quality and scalability, cost, integration, technical viability, and lessons from real systems.
Ver panelView panel →Participé en un panel online con líderes de Kinstead Health, Omada Health y ZGM Advisors sobre automatización responsable, acceso a datos, evaluación y preparación de lanzamientos de IA en entornos clínicos.Participated in an online panel with leaders from Kinstead Health, Omada Health, and ZGM Advisors on responsible automation, data access, evaluation, and launch readiness for AI in clinical environments.
Ver webinarWatch webinar →Miembro del comité responsable de revisar propuestas de speakers y contribuciones técnicas, evaluando su relevancia, experiencia de producción y valor para el programa del summit.Committee member reviewing speaker submissions and technical contributions for relevance, production experience, and value to the summit program.
Conocer el rol del comitéAbout the committee role →Una trayectoria que conecta operaciones industriales de campo, ingeniería de datos, sistemas de ML y liderazgo técnico.A career connecting industrial field operations, data engineering, ML systems, and technical leadership.
Xmartlabs · Remote (US & Uruguay)
Liderazgo de ingeniería de ML, arquitectura de soluciones, estándares técnicos, mentoring y coordinación con clientes.ML engineering leadership, solution architecture, technical standards, mentoring, and client coordination.
Qubika · Remote (US)
Liderazgo técnico de arquitecturas de IA con evaluación, observabilidad, RAG, lakehouse y transición hacia modelos especializados.Technical leadership of AI architectures with evaluation, observability, RAG, lakehouse, and transitions to specialized models.
Konfio · Remote (Mexico)
Modelos batch y en tiempo real, infraestructura AWS con Terraform y plantillas reutilizables para producción.Batch and real-time models, AWS infrastructure with Terraform, and reusable production templates.
Prisma Medios de Pagos · Argentina
Implementación de modelos de machine learning en AWS SageMaker.Deployment of machine-learning models on AWS SageMaker.
Weatherford International · Argentina, Chile, United States & United Arab Emirates
Progresión desde operación técnica hasta funciones de ingeniería, supervisión y coordinación de campañas de well testing, trabajando directamente sobre instalaciones temporales de producción y procesos de superficie. Experiencia de trabajo en Houston, Texas, Dubái y Abu Dhabi, además de asistencia técnica remota para operaciones en Brasil, Bolivia, Colombia y México.Progressed from technical operations into engineering, supervision, and coordination of well-testing campaigns, working directly with temporary production facilities and surface processes. International experience includes work in Houston, Texas, Dubai, and Abu Dhabi, as well as remote technical support for operations in Brazil, Bolivia, Colombia, and Mexico.
ITBA Escuela de Innovación · 2022
Peritaje informático y arquitectura cloud · 2019–PresenteComputer forensics and cloud architecture · 2019–Present
Universidad Loyola
Medición, monitoreo y control inteligente en sistemas de well testing.Intelligent measurement, monitoring, and control in well-testing systems.MCA Business & Postgraduate School
ENEB School of Business · Barcelona
Universidad de la Defensa Nacional · Córdoba
Tesis: control de un separador bifásico mediante una red neuronal.Engineering thesis: neural-network control of a two-phase separator.Colaboro con empresas y grupos de investigación que desarrollan sistemas inteligentes para procesos físicos, telemetría industrial o fisiológica y flujos de IA con requisitos de privacidad.I collaborate with companies and research groups developing intelligent systems for physical processes, industrial or physiological telemetry, and privacy-aware AI workflows.
