Iñaqui Paladino
ML & AI Systems Engineer
Acerca de Mí
¡Hola! Me llamo Iñaqui Paladino Bravo, tengo 24 años y soy de Tandil, Buenos Aires, Argentina.
Diseño e implemento sistemas de IA en producción. Trabajo en la intersección entre la ingeniería de software y el comportamiento de los modelos, transformando ideas de investigación en servicios confiables y escalables.
Construyo con ownership completo del producto. Para sistemas de misión crítica, mi filosofía de diseño prioriza arquitectura zero-data-loss, idempotencia, observabilidad integral y utilización eficiente de cómputo.
Experiencia
AI Engineer
- ❯ Diseñé y desplegué en producción el motor de recomendación para Reviewer Assignment sobre +27K investigadores y millones de publicaciones, implementando Hybrid Search (Dense + Sparse) en Qdrant.
- ❯ Modelé lógica de Conflict of Interest (COI) institucional mediante estructuras de grafos y closure tables en PostgreSQL, orquestando transformaciones y tests automatizados con dbt.
- ❯ Construí pipelines ETL concurrentes y distribuidos de ingesta, crawling y Entity Resolution sobre fuentes heterogéneas (Apache Solr, MySQL, PostgreSQL).
- ❯ Aceleré la inferencia de Bi-Encoders (+140% throughput, -60% VRAM) mediante ONNX Runtime (IOBinding) y el pipeline de Cross-Encoder/Reranker (speedup 9x, +6M pares/ejecución) con forward passes vectorizados, truncamiento dinámico y Mixed Precision (FP16) en Tensor Cores multi-GPU.
- ❯ Desplegué model serving distribuido basado en vLLM con registro dinámico de nodos y balanceo de carga; empaquetando gateway y nodos de inferencia como imágenes Docker multi-stage con soporte multi-vendor (TensorRT, ROCm).
- ❯ Diseñé arquitectura Multi-Agente con LangGraph, implementando Router Pattern, subgrafos especializados, Tool Calling y Prompt Management.
- ❯ Desarrollé pipelines de Agentic RAG con Self-Correction (Query Rewriting, evaluación de relevancia y retries) y memoria multinivel (dynamic trimming y sumarización proactiva) para contexto extendido con baja latencia.
- ❯ Orquesté flujos de trabajo modulares y tolerantes a fallos con Prefect, implementando tareas atómicas, ejecución desacoplada y fallback automático a modo efímero/local.
- ❯ Centralicé Experiment Tracking, Model Registry y Telemetría con MLflow; implementé pipelines de evaluación LLM-as-Judge con métricas custom y datasets sintéticos, integrado con CI/CD en GitLab.
Software Engineer
- ❯ Me convocaron para resolver un problema operativo concreto: la carga manual de comprobantes bancarios consumía ~5 horas diarias de un empleado administrativo. Diagnostiqué el flujo existente, identifiqué los puntos de falla y diseñé una solución serverless event-driven de punta a punta en AWS.
- ❯ Implementé el pipeline sobre SQS, S3, Lambda y DynamoDB con procesamiento idempotente multicapa (locks), escrituras condicionales, correlación de estado y reintentos vía DLQ, garantizando integridad contable sin pérdida de datos bajo concurrencia.
- ❯ Adopté un enfoque no-loss-first con trade-offs explícitos entre falsos negativos y positivos, reforzado por validaciones determinísticas y reglas de negocio, priorizando integridad contable en un sistema crítico.
- ❯ Integré Amazon Textract (OCR) con lógica de extracción y validación determinística, con reglas de negocio para garantizar integridad transaccional y extracción estructurada de datos.
- ❯ Aseguré endpoints públicos con verificación de firma HMAC-SHA256 y gestioné toda la infraestructura como código con Terraform (remote state, IAM least privilege, SSM, parametrización por entorno).
- ❯ Implementé una estrategia de observabilidad end-to-end con AWS Powertools y CloudWatch (structured logging, custom metrics y alarmas multinivel P1-P3). Automaticé vía Terraform la creación de dashboards: un tablero Operativo para telemetría de infraestructura (manejo de concurrencia, idempotencia, tasas de error en OCR) y un tablero Ejecutivo centrado en KPIs de negocio y tendencias de confiabilidad.
Machine Learning Intern
- ❯ Desarrollé una plataforma web educativa con IA para soportar Recorridos de Estudio e Investigación (REIs) en el aula, integrando un pipeline de NLP no supervisado que agrupa automáticamente las preguntas generadoras de los estudiantes por tema y genera reportes de clase para los docentes.
- ❯ Diseñé el pipeline de clustering (embeddings multilingües con SBERT → deduplicación semántica por similitud coseno → UMAP → K-Means con selección automática de K via Calinski-Harabasz), seleccionado mediante EDA sistemático que evaluó y descartó Gap Statistics y métodos de codo/silueta; validado contra ground truth anotado por docentes sobre un dataset multilingüe real.
- ❯ Desplegué la plataforma (Astro SSR / Bun / TypeScript + microservicio Python asíncrono / Docker) en un piloto real en el aula y coautoricé una publicación científica en CITAD 8 (Barcelona).
Educación & Certificaciones
Certificaciones Profesionales
NVIDIA Certified Associate: Generative AI LLMs (NCA-GENL)
- ❯ Validación oficial de competencias en arquitecturas LLM, RAG (Retrieval-Augmented Generation), fine-tuning, evaluación y despliegue de modelos generativos con hardware NVIDIA.
AWS Certified Solutions Architect - Associate (SAA-C03)
- ❯ Diseño de arquitecturas cloud resilientes, de alto rendimiento, seguras y costo-eficientes en AWS. Experiencia comprobada en servicios distribuidos, serverless (Lambda, SQS, DynamoDB, S3) e infraestructura como código con Terraform.
Formación Académica
Ingeniero de Sistemas
- ❯ Distinción: Recibido con honores académicos por excelencia en la carrera.
- ❯ Promedio general: 8.75.
- ❯ Título intermedio obtenido: Analista Programador Universitario (APU).
Fundamentos de Ingeniería de Software
- ❯ Programa PILA Virtual 2023 (Intercambio académico de grado).
- ❯ Nota final de aprobación: 9.4.
Proyectos
Agente conversacional financiero para análisis de mercado en X. Orquestado con LangGraph bajo un flujo de Corrective RAG (CRAG) y búsqueda híbrida en Qdrant, integrado a una ingesta asíncrona event-driven. Desplegado en Amazon Bedrock AgentCore con streaming en tiempo real (AG-UI), memoria persistente en DynamoDB, infraestructura en Terraform y hardening integral con autenticación Cognito, protección WAF y rate limiting.
Analista financiero virtual sobre arquitectura Serverless en AWS. Monitorea y analiza el mercado en X (ex Twitter) mediante un flujo totalmente desacoplado y orientado a eventos. La infraestructura está definida íntegramente con Terraform (IaC). La orquestación corre por cuenta de EventBridge, que dispara tareas efímeras en ECS Fargate Spot para la extracción robusta de datos (manejo de sesiones reales y evasión de bloqueos), seguido de un procesamiento asíncrono en Lambda que utiliza Modelos de Lenguaje (LLMs) para la redacción de informes contextuales. El frontend opera bajo un modelo Git-based CMS: cada reporte dispara un pipeline de GitHub Actions que despliega el sitio estático globalmente vía CloudFront.
Solución serverless para transferencia efímera y segura de archivos sobre AWS. Incluye un CLI para generar enlaces temporales de carga y descarga con el uso de S3 Pre-Signed URLs, encapsulados en interfaces HTML desechables, sin backend persistente. La infraestructura está definida íntegramente con Terraform (IaC), utilizando estado remoto y ejecución mediante IAM AssumeRole en un entorno multi-account, donde la Hosted Zone de Route53, el backend de Terraform y la validación de certificados ACM residen en la cuenta de management (AWS Organization). La seguridad perimetral se garantiza mediante CloudFront con Origin Access Control (OAC), manteniendo los buckets estrictamente privados con terminación TLS/SSL.
Fork de la solución oficial de AWS Labs para Dynamic DNS serverless con Route53. Sobre la base original implementé mejoras orientadas a uso real con routers residenciales y dispositivos legacy: endpoint compatible con protocolo DynDNS (/nic/update), soporte de HTTP/HTTPS mediante CloudFront, autenticación por Basic Auth y tokens temporales para actualización desde navegador.
Plataforma web tipo classroom diseñada para apoyar la enseñanza mediante Recorridos de Estudio e Investigación (REIs), organizando el aprendizaje en torno a preguntas y respuestas. Permite colaboración en tiempo real, seguimiento del progreso académico y análisis automático de datos educativos mediante técnicas de IA. Actualmente es utilizada por docentes y estudiantes en contextos reales de aula, y su desarrollo dio lugar a una publicación científica en el marco de una conferencia internacional de didáctica.
Usuario: usuario@demo.com Contraseña: password
Infraestructura personal en la nube
Configuración y mantenimiento de una infraestructura autoalojada en la nube sobre un VPS (DigitalOcean), utilizada para el despliegue y monitoreo de múltiples apps personales mediante Coolify. Incluye una VPN privada (WireGuard) para comunicación segura entre dispositivos, un servidor S3 self-hosted (MinIO) con control de accesos y expiración de enlaces, y una instancia de N8N para orquestar flujos de trabajo complejos. También se implementó configuración avanzada de firewall, DNS, dominios personalizados, proxy inverso y certificados SSL.
