Debido al secreto profesional en mis trabajos formales, comparto proyectos independientes diseñados para demostrar las habilidades de mi CV. Cada proyecto nace de un problema real y se construye en público. Aquí presento la arquitectura, las decisiones de diseño y las tecnologías que los sustentan. En el blog documento paso a paso cómo los construí: los errores, las iteraciones y las lecciones aprendidas. El código cuenta el qué; los artículos explican el por qué.
Plataforma web profesional que combina un portafolio/blog técnico con un motor de Retrieval-Augmented Generation (RAG) completo. El chatbot permite a los visitantes "conversar" con el contenido del sitio, respondiendo preguntas sobre artículos y la trayectoria del autor. El sistema genera embeddings vectoriales para cada artículo y utiliza búsqueda híbrida (embeddings + BM25 léxico con Reciprocal Rank Fusion) para recuperar contexto relevante antes de generar respuestas con Gemini. Opcionalmente emplea HyDE (Hypothetical Document Embeddings) y query expansion para ampliar el recall semántico.
Problema a resolver
Crear una presencia web profesional que no solo muestre contenido estático, sino que permita interacción inteligente con el conocimiento publicado, demostrando capacidades de ingeniería de ML/NLP en producción.
Arquitectura y Componentes
Frontend: React 18 + Material UI v5 con code splitting (React.lazy), SEO (react-helmet-async), renderizado de ecuaciones (KaTeX) y animaciones (framer-motion)
Backend: Django 5.0 + Django REST Framework con autenticación JWT (SimpleJWT), documentación OpenAPI (drf-spectacular) y contenido Markdown con renderizado server-side
Motor RAG: Pipeline de indexación incremental → embeddings (text-embedding-005, 768 dim) → búsqueda híbrida in-memory (cosine similarity + BM25 con Reciprocal Rank Fusion) → generación con Gemini 2.5 Flash. Soporta query expansion y HyDE (Hypothetical Document Embeddings)
Base de datos: Neon PostgreSQL serverless (prod) / SQLite (dev). Embeddings almacenados como pickle binario en BinaryField
Infraestructura: Docker multi-stage → Google Cloud Run (serverless). Nginx para frontend, Gunicorn para backend. Media en Google Cloud Storage
Caché semántico: Solo respuestas exitosas se cachean. Errores de Vertex AI no contaminan la caché
Aspectos técnicos destacados
Pipeline RAG end-to-end en producción con reintentos y backoff exponencial
Búsqueda híbrida: BM25 léxico + embeddings densos fusionados con Reciprocal Rank Fusion (RRF) para capturar keywords exactas y similitud semántica
Indexación selectiva e incremental comparando timestamps de actualización
Prompt engineering con personalidad del autor y restricciones estrictas de dominio
Sistema de posts internos con control de acceso granular (is_employee, is_staff)
Despliegue serverless en Cloud Run con cold-start resilience en el cliente
Embeddings
768-dim
Modelo
Gemini 2.5 Flash
Infra
Cloud Run
BD
Neon PostgreSQL
Documentado en el blog
Cada decisión arquitectónica, cada bug en producción y cada migración de infraestructura está documentada artículo por artículo. La serie cubre desde la primera línea de Django hasta la puesta en marcha de Gemini 2.5 Flash como motor generativo, pasando por migraciones de base de datos, optimización de CI/CD y debugging en Cloud Run.
Paquete R profesional que transforma datos públicos del Servicio de Impuestos Internos (SII) de Chile en un Data Warehouse analítico. Implementa un pipeline ETL completo con modelo estrella (star schema) en PostgreSQL, imputación estadística multi-variable mediante Iterative Proportional Fitting (IPF) con trazabilidad completa, y un dashboard interactivo Shiny para análisis multidimensional de actividades económicas.
Problema a resolver
Los datos públicos del SII contienen valores censurados por privacidad (asteriscos cuando hay <10 empresas), generando valores faltantes especialmente a nivel comunal. Se necesita un pipeline reproducible que (1) cargue los datos en un esquema analítico, (2) impute los valores faltantes respetando restricciones jerárquicas y (3) permita análisis interactivo.
Arquitectura y Componentes
Arquitectura R6 con 3 clases principales: ETLStarSchemaSII, ImputadorVentasSII, DashboardActividadesSII
Modelo Estrella: 4 dimensiones (dim_anio, dim_actividad, dim_localidad, dim_imputado) + tabla de hechos (fact_empresas, ~1.5M registros)
Imputación IPF multi-variable: Algoritmo iterativo que preserva restricciones jerárquicas (comuna→provincia→región) con convergencia garantizada y trazabilidad por variable
Build system: Scripts de construcción, documentación roxygen2, NAMESPACE automático
Aspectos técnicos destacados
Imputación IPF con trazabilidad completa: cada valor imputado referencia su proceso
Restricciones jerárquicas exactas: suma(comunas) = provincia = región
Dashboard con scoring decisional y detección de actividades en auge
Soporte multi-hoja: combina automáticamente archivos Excel con múltiples hojas
Progress bars, timestamps y logging profesional en todo el pipeline
Paquete R instalable con devtools::install() y documentación roxygen2
Registros
~1.5M
Dimensiones
4 tablas
Variables IPF
2+
Módulos Shiny
5
Documentado en el blog
La serie en el blog detalla cómo nació este paquete: desde el diseño del esquema estrella y la elección de data.table como motor ETL, hasta la implementación del algoritmo IPF con trazabilidad y el despliegue del dashboard Shiny en Cloud Run con Neon PostgreSQL.
Pipeline ETL y paquete R especializado para el análisis econométrico de transmisión de precios en mercados agroalimentarios chilenos. El proyecto implementa modelos de corrección de error con umbrales (Threshold Vector Error Correction Model — TVECM) para detectar asimetrías en la transmisión de precios desde productor hasta consumidor. Desarrollo técnico de la tesis de Magíster en Matemática, mención Estadística (Universidad del Bío-Bío).
Problema a resolver
Determinar si los aumentos de precios agrícolas se transmiten más rápido que las disminuciones a nivel de consumidor (asimetría de precios), lo cual tiene implicancias directas para la política de competencia y protección al consumidor en Chile.
Arquitectura y Componentes
ETL automatizado: Descarga desde API CKAN-ODEPA de precios mayoristas y minoristas, con transformación y carga en PostgreSQL (star schema)
Matching semántico: Emparejamiento de productos heterogéneos entre fuentes usando sentence-transformers (SBERT) para resolver diferencias de nomenclatura
Tests de series de tiempo: Batería completa de raíz unitaria (ADF, PP, KPSS) y cointegración (Johansen) implementados con clases R6
Modelos TVECM: Estimación de modelos de corrección de error con umbrales para detectar regímenes de ajuste asimétrico
Generación de reportes: Pipeline de generación automatizada de documentos PDF con tablas, gráficos y diagnósticos estadísticos
Arquitectura modular: Clases R6 para cada etapa del análisis, permitiendo reproducibilidad y extensibilidad
Aspectos técnicos destacados
Modelos TVECM con detección automática de umbrales y regímenes
Matching semántico de productos con SBERT (sentence-transformers)
Batería automatizada de tests de raíz unitaria y cointegración
Pipeline reproducible desde descarga de datos hasta reporte final PDF
Integración con API CKAN para datos oficiales de precios agrícolas
Contribución a investigación publicada en revistas WOS
Modelo
TVECM
Matching
SBERT
BD
PostgreSQL
Output
PDF Auto
Documentado en el blog
En el blog recorro el proceso completo de investigación: desde la conexión con la API CKAN de ODEPA y el matching semántico de productos con SBERT, hasta la estimación de modelos TVECM, funciones de impulso-respuesta generalizada y la generación automatizada de reportes PDF.
Dashboard interno para monitorear @EconometriaConR y analizar el nicho de econometría e IA aplicada en YouTube. Implementa una arquitectura de dos capas: raw ODS (JSON exacto de la API) + dimensional con 5 modelos normalizados. Un management command extrae ~523 unidades de cuota diaria analizando el canal propio, 5 términos del nicho como competidores, y los 50 videos trending de Ciencia & Tecnología. El frontend React presenta 4 secciones: evolución del canal, rendimiento de videos, análisis comparativo de tags y tabla del nicho.
Problema a resolver
YouTube Analytics oficial no permite comparar con canales externos ni analizar tags del nicho sistemáticamente. El DataMart resuelve esto persistiendo snapshots diarios para construir series de tiempo propias de métricas de canal, rendimiento por video y tendencias de tags en tres fuentes: contenido propio, competidores del nicho y trending de Ciencia & Tecnología en YouTube.
Management command youtube_snapshot con --dry-run; Cloud Run Job + Cloud Scheduler diario 3am UTC (solo producción)
Frontend YouTubeDashboard.js: 4 secciones con Recharts (LineChart dual-eje, BarChart horizontal, Tabs) con guard de acceso is_employee
Aspectos técnicos destacados
DataMart de dos capas: la capa raw preserva el JSON exacto de la API para re-procesar sin consumir cuota adicional
ETL idempotente por fecha — get_or_create evita duplicados si el job se ejecuta dos veces en el mismo día
Análisis de tags en 3 fuentes simultáneas: canal propio, 5 términos del nicho y trending S&T YouTube
Solo ~523/10,000 unidades de cuota API por ejecución diaria — dentro del límite gratuito de Google
Guard de acceso is_employee consistente con Tasks e Internal Posts
27 tests totales (16 backend + 11 frontend) con mocks completos de YouTube Data API y Recharts
API quota
~523/10K
Modelos
9 (4 raw + 5 dim)
Endpoints
5 protegidos
Tests
27
Documentado en el blog
El dashboard nació de una necesidad real: entender qué tags usa la competencia y qué tendencias emergen en el nicho de IA/econometría sin depender de YouTube Studio. La serie documenta el diseño del DataMart de dos capas, la implementación del ETL idempotente, la integración con Cloud Scheduler para snapshots diarios y las decisiones de visualización con Recharts.
Sistema de inteligencia de mercado que monitorea un marketplace latinoamericano de forma automatizada. Un pipeline en R extrae tendencias y productos del catálogo diariamente, los persiste en PostgreSQL con idempotencia por snapshot, y los valida contra volumen de búsqueda real usando Reciprocal Rank Fusion (RRF). Un módulo adicional hace scraping de proveedores mayoristas y matching semántico via embeddings para estimar márgenes.
Problema a resolver
Monitorear tendencias de mercado manualmente es inviable a escala. Se necesita un pipeline automatizado que cruce señales de oferta (catálogo del marketplace), demanda (volumen de búsqueda) y disponibilidad (proveedores mayoristas) para identificar oportunidades de inversión con datos objetivos.
Cloud Run Job: Imagen Docker basada en rocker/r-ver:4.4, ejecutada diariamente via Cloud Scheduler. Rotación automática de refresh tokens en Secret Manager
Backend Django: App ecommerce con modelos managed=False apuntando a tablas creadas por R. Segunda BD configurada con DATABASE_ROUTER. 5 endpoints protegidos con IsEmployeeUser
Validación cruzada: Reciprocal Rank Fusion (RRF) fusionando ranking del marketplace con Google Trends. Parámetro k ajustable por query
Matching de proveedores: Scraping de sitios mayoristas + embeddings Vertex AI (text-embedding-005, 768-dim) + similitud coseno para detectar matches con margen estimado
Frontend React: Dashboard de 4 tabs (Overview, Productos, Tendencias fusionadas, Proveedores) con Recharts y filtros interactivos
Aspectos técnicos destacados
Pipeline idempotente por snapshot_date — DELETE+INSERT atómico en transacción PostgreSQL
Reciprocal Rank Fusion: combina ranking de marketplace y volumen de búsqueda en un score unificado
Batch paralelo con httr2::req_perform_parallel() — reduce el tiempo de extracción de 25 min a <3 min
Rotación automática de OAuth refresh tokens via Secret Manager REST API
Segunda base de datos con modelos managed=False y DatabaseRouter dedicado — aislamiento total del blog
Matching semántico de proveedores con embeddings de Vertex AI y cálculo de márgenes inline
Pipeline
Cloud Run Job
Señales
3 (ML + GT + Proveedores)
Endpoints
9 protegidos
Embeddings
768-dim
Documentado en el blog
La serie documenta la construcción completa: desde el pipeline en R con Cloud Run Jobs y OAuth con rotación de tokens, pasando por modelos Django managed=False con segunda base de datos, hasta la fusión de rankings con Google Trends y matching semántico de proveedores con Vertex AI.
Herramienta interna para monitorear publicaciones académicas en áreas de interés. Consume la API pública de arXiv con queries configurables, almacena papers deduplicados con un esquema de fact table (query × paper × snapshot), y visualiza tendencias en un dashboard React de 4 paneles: papers recientes, autores activos, keywords frecuentes y distribución por categoría.
Problema a resolver
El volumen de publicaciones en áreas como machine learning y econometría hace imposible el seguimiento manual. Se necesita un filtro automatizado que resuma qué se publica, quién publica y qué términos ganan tracción semana a semana.
Arquitectura y Componentes
ETL Django: Consumo de API Atom XML de arXiv con rate limiting (3s entre requests). Upsert por arxiv_id con sincronización de autores y categorías M2M
Esquema fact table: ArxivQueryResult (query × paper × scraped_at) con unique_together para deduplicación temporal. Papers normalizados con M2M a Author y Category
Queries configurables: Modelo ArxivQuery con is_active y max_results, editables desde Django Admin sin tocar código
Dos posts que cubren la construcción completa: el ETL con rate limiting sobre la API Atom de arXiv, el esquema de fact table para tracking temporal, y el dashboard React con keyword extraction y stopwords bilingües integrado en el hub de analytics.