Sobre mí
Primero el problema de negocio,
luego el modelo.
Ingeniero de IA y consultor de automatización que construye agentes LLM, pipelines RAG y sistemas de voz que aguantan en producción, no solo en una demo. Cada sistema arranca en un problema operativo y trabaja hacia atrás hasta la arquitectura más pequeña que lo elimina.
Lo que pienso sobre este trabajo
Las demos son fáciles. Producción es el trabajo.
La mayoría de los proyectos de IA mueren entre el notebook y el despliegue. Yo construyo la parte que sobrevive: evaluación, planes alternativos, observabilidad y sistemas robustos que se comportan cuando llegan usuarios reales.
Primero el problema de negocio, luego el modelo.
Cada sistema que entrego arranca en un dolor operativo: leads que se pudren en un buzón, colas de soporte desbordadas, conocimiento atrapado en PDF. Desde ahí trabajo hacia atrás hasta la arquitectura más pequeña que lo elimina.
Full stack, de principio a fin.
Orquestación de agentes en LangGraph, recuperación sobre búsqueda híbrida, back-ends en FastAPI y front-ends en React. Una sola persona es dueña de todo el sistema, así que nada se pierde en el traspaso.
El mismo bucle,
en cada sistema.
Ya sea un empleo, un encargo de cliente o algo entregado en solitario. Los pasos no cambian; solo cambia cuánto dura cada uno.
I work directly with you on architecture and implementation. Scope, responsibilities, and any additional contributors are agreed before an engagement starts.
- 01
Entender
El problema real y sus restricciones, antes de tocar un modelo o un framework. Resultado: una imagen clara de lo que producción exige de verdad.
- 02
Diseñar
Arquitectura del sistema, elección de modelos y flujo de datos, pensados y escritos antes de una sola línea de código.
- 03
Construir
Implementación orientada a producción en iteraciones cortas, probada pronto contra entradas reales y no sintéticas.
- 04
Entregar
Desplegado, monitorizado y documentado. Sin cajas negras y sin huecos en el traspaso.
- 05
Mejorar
Evaluado y ajustado después del lanzamiento. Los sistemas mejoran en producción, no empeoran.
La trayectoria laboral refleja mi experiencia profesional. Mis servicios independientes no están patrocinados ni respaldados por mis empleadores.
Experiencia
De la empresa,al producto, a la IA.
Cinco puestos, cada uno una parte distinta de la misma progresión: entender cómo se construyen los sistemas empresariales, aprender a pensar en productos, y después construir los sistemas de IA en sí.
Construye sistemas de IA generativa y de IA agéntica de nivel producción para uso empresarial, poniendo el énfasis en sistemas que siguen siendo fiables bajo carga real en lugar de en prototipos experimentales.
Sobre In Time TecGlobal AI & software partner
A global technology partner trusted by enterprise clients across the US, built on a rare promise: ROI, or they don't get paid.
- Construye aplicaciones de IA agéntica y LLM en producción con LangGraph y FastAPI
- Diseña arquitecturas RAG sobre LlamaIndex y Qdrant con búsqueda híbrida y generación anclada
- Desarrolla agentes de IA escalables sobre Python, Azure AI y Redis con orquestación de flujos con estado
- Implementa mecanismos de seguridad y fiabilidad: enmascarado de datos personales, seguridad de contenidos y detección de jailbreak
- Mejora los sistemas en producción mediante observabilidad y ejecución en paralelo
Formación
B.Tech, Informática
JK Lakshmipat University, Jaipur
Bachillerato, Física, Química, Matemáticas
Delhi Public School, India
Educación secundaria
St. Anselm's Pink City Sr. Sec. School
Cómo trabajo con equipos
Trabajo en remoto con equipos internacionales. Acordamos los horarios y la forma de colaboración antes del proyecto.
Disponible para consultoría y desarrollo de IA independientes.
Cómo se desarrolla un encargo
La mayoría de los encargos empiezan por la auditoría, porque un primer paso fijo y acotado es lo que hace decidible un segundo paso mayor. Nada de lo que sigue es un paquete: las etapas existen para que puedas imaginarte la forma, y el alcance se escribe antes de que ninguna de las dos partes se comprometa.
- 01
Audit
Scope agreed first · Punto de partida habitual
A fixed-scope look at the workflow you want automated or the AI feature you want built: what the data actually looks like, which parts genuinely need a model, which parts are better off deterministic, and what production would cost to run.
Recibes
A written architecture and a build plan you own, whether or not the build happens with me. - 02
Build
Milestones agreed together
Implementation in short iterations against real inputs, not synthetic ones. You see working software every week, and the architecture from the audit is the thing being built, so scope arguments happen on paper rather than in code.
Recibes
A deployed system, its evaluation harness, and documentation someone else on your team can pick up. - 03
Run
Support by agreement
The part most AI projects skip. Models drift, prompts rot, upstream APIs change their output shape, and a pipeline that was accurate in month one is quietly wrong by month four unless someone is measuring it.
Recibes
Monitoring, evaluation runs, and a monthly note on what changed and what it cost.
Lo que no acepto
Cuatro cosas que salen lo bastante a menudo como para decirlas en voz alta. Ninguna es un juicio sobre ese trabajo; son sitios donde otra persona lo hará mejor que yo.
- Entrenar modelos desde cero
- Ajuste fino donde se gana su sitio, sí. Preentrenar un modelo fundacional es otra disciplina con otro presupuesto, y quien te diga que es la respuesta a un problema de negocio normalmente está vendiendo el entrenamiento.
- Un chatbot sin sistema detrás
- Envolver una API en una ventana de chat lleva una tarde y no resuelve nada duradero. Lo que merece pagarse es la recuperación, la evaluación y la operación de alrededor, que es justo donde se tuercen las demos que nunca llegan a producción.
- Diseño o trabajo de marca en solitario
- Las interfaces de aquí están hechas para volver legible el sistema, no para ganar un premio de diseño. Si el entregable es un sistema de marca o una identidad visual, necesitas un estudio, y la construcción saldrá mejor por ello.
- Refuerzo de equipo por horas
- Los encargos se acotan a un resultado, con una arquitectura escrita detrás. Un asiento abierto sobre un backlog es un servicio real y una compra razonable; simplemente no es este.