Tres sistemas construidos de principio a fin: seguridad en LLM, durabilidad de datos y rendimiento web.
Resistencia a caídas verificada con inyección de fallos y pruebas de propiedades contra una implementación de referencia.
Disponible para proyectos freelance. Desde Cali, Colombia.
Trabajo en todo el stack. En el front end, eso significa sitios web rápidos y claros para negocios y profesionales reales, pensados para funcionar en cualquier dispositivo. En el back end, significa APIs y servicios que siguen funcionando cuando algo sale mal.
Últimamente también he trabajado con datos y machine learning. Sea cual sea la capa, mantengo los mismos hábitos: hacerlo simple, probar lo que importa y medir antes de cambiar cualquier cosa.
Un servicio que analiza los prompts enviados a modelos de lenguaje (LLM). Un pipeline de LangGraph en dos etapas evalúa cada prompt en busca de datos personales y riesgo, oculta lo que debe ocultar y registra cada decisión en una auditoría en Postgres.
Un motor de almacenamiento clave-valor embebido, escrito en Go solo con la librería estándar. Guarda los datos en un B+tree sobre un write-ahead log, con una garantía: si Put devuelve nil, ese registro sobrevive a cualquier caída posterior. Verificado con 500 puntos de caída simulados y pruebas de propiedades contra una implementación de referencia.
Un sitio de seis páginas para Montajes y Mantenimientos Vásquez, una empresa de montajes industriales y metalmecánica en Cali. Sitio estático, sin JavaScript de framework, pensado para cargar rápido incluso en celulares de gama baja. Reemplazar un carrusel de React por ~250 líneas de JavaScript puro redujo el JavaScript enviado de 226K a 7K.
Un sitio profesional para Paola Vásquez, auditora líder HSEQ en Cali. El front end en Next.js, alojado en Vercel, se comunica con una pequeña API en Express, alojada en Render, que envía el formulario de contacto a través de Resend, protegida con límite de solicitudes, una lista blanca de servicios válidos y escape de HTML.
Clasifica commits de Git como fix, feat, refactor o docs, y compara machine learning clásico, transfer learning y una red entrenada desde cero con las mismas particiones y métricas. Lo importante no es el clasificador sino la evidencia: particiones aleatorias, por repositorio y temporales, y pruebas de fuga de datos que deben pasar antes de reportar cualquier número. En progreso: ya están listos un dataset reproducible de 10.000 commits y el entorno de experimentos; siguen los modelos base.
React, Next.js, TypeScript, Tailwind
Python, FastAPI, Node.js, PostgreSQL
pandas, scikit-learn, aplicaciones con LLM
Go, Docker, Git, Vercel