Inteligencia artificial y machine learning aplicado

En mi resumen profesional de LinkedIn detallo experiencia en IA y análisis de datos con modelos no supervisados como DBSCAN, KMeans, Isolation Forest y CBLOF orientados a mantenimiento predictivo. Esos algoritmos permiten detectar anomalías y agrupar patrones en datos industriales sin depender siempre de etiquetas supervisadas — un enfoque útil cuando los fallos son raros pero costosos.

Entre marzo y agosto de 2025 participé en el AI Engineer Training Venture Studio Program, primero en Modin.ai (marzo-agosto, 5 meses) y en Teilur.ai (marzo-junio, 3 meses), ambos en Claymont, Delaware. En esos programas desarrollé MVPs impulsados por IA con herramientas de vanguardia en entornos ágiles, estratégicos y de alto rendimiento para transformar ideas en productos disruptivos y escalables.

Mi formación académica en Ingeniería de Sistemas y Telecomunicaciones (Universidad Católica de Pereira, 2021-2025) incluyó el semillero de investigación Industria 4.0 línea Testing Automatizado (2024), que conecta calidad de software con sistemas inteligentes. Las skills de LinkedIn refuerzan el perfil: Machine learning, TensorFlow, Aprendizaje no supervisado, Analítica predictiva, AI Engineer y Python.

También sigo la conversación de la comunidad tech en LinkedIn — por ejemplo publicaciones sobre aprendizaje continuo de colegas como María Camila Alzate Calzada y trayectorias de programación desde la adolescencia de José Alexander Suaza Montes — como contexto de una red profesional donde la IA se discute con honestidad sobre esfuerzo y práctica, no solo talento innato.

ChatBot-MentalHealth-BERT es la v1 de la línea: un BERT propio clasifica emoción y elige plantillas; Flask sirve el chat. MarIA es la v2 (Next.js, voz, historial) y LiveKit_Agent_MarIA el proceso que habla. El relato largo está en /salud-mental. No sustituyen a un clínico.

PdM-Manager no es React/Node: es FastAPI, PostgreSQL, un RNN Keras y Chart.js. El cuarteto (landing, Arduino, algoritmos no supervisados y el manager) está en /mantenimiento-predictivo. Ahí se ve cómo integro hardware, modelo y tablero.

En el ámbito académico-investigativo, obtuve certificación de estancia en el XXIX Verano de la Investigación Científica y Tecnológica del Pacífico (Universidad Autónoma de Nayarit, agosto 2024) y reconocimiento por destacada participación en el mismo evento. Esas credenciales avalan trabajo colaborativo en machine learning y mantenimiento predictivo en contexto internacional.

Más allá del código, lideré una iniciativa comunitaria documentada en LinkedIn que asistió a más de 500 familias y entregó 170 kits educativos en el barrio Futuro Bajo. Tecnología e impacto social no son opuestos: un chatbot de salud mental o un modelo predictivo industrial comparten la misma pregunta — ¿cómo usar datos e IA para mejorar vidas reales?

La IA útil no termina en un notebook. En PdM-Manager el modelo alimenta Chart.js y alertas; en la línea de salud mental el BERT y MarIA se operan como producto. El patrón —pipelines, entrenamiento, API— es el que vendo.

Orquesto Cursor, Cloud Agents y OpenCode a nivel experto, y recorro familias de modelos desde los primeros GPT, Claude y Gemini hasta GPT-5.6, Claude Opus 5, Gemini 3.7 Flash, Grok, DeepSeek V4, Qwen, Kimi y Nemotron. Eso no sustituye entrenar los míos: BERT, PdM y EfficientDet están en GitHub. Perfil Hugging Face: Flackoooo (sin inventar la URL del Space).

Si buscas colaboración en IA aplicada —acompañamiento, PdM, agentes o pipelines— entra a los hubs o escríbeme desde este sitio.