Iñaqui Paladino
ML & AI Systems Engineer
Acerca de Mí
Hola! Soy Iñaqui Paladino Bravo, tengo 24 años y soy de Tandil, Buenos Aires.
A los 9 años rompí el router de casa tocando la configuración porque necesitaba una IP fija para hostear un server de Minecraft. Poco después pasé a C para escribir mis propios juegos de consola. Hoy la curiosidad sigue siendo la misma, solo que con menos routers rotos.
Con el tiempo, mantuve esa búsqueda por entender las cosas desde adentro. En un sistema de ML, eso significa conocer el flujo completo: cómo se arma el dataset, cómo se mide si un ranking es bueno y qué está haciendo la GPU mientras tanto. No hago cambios porque "se ven mejor", sino porque hay una medición que los respalda.
También construí sistemas en los que perder un dato no era una opción, y eso me dejó tres prioridades que aplico a todo lo que hago: evaluación rigurosa, arquitectura zero-data-loss y observabilidad.
Experiencia
AI Engineer
- ❯ Desarrollé el sistema de recomendación de evaluadores de CONICET: propone revisores para convocatorias de ingresos, promociones, proyectos y becas a partir de más de 27K investigadores y millones de producciones científicas integradas desde fuentes heterogéneas, con reglas de conflicto de interés modeladas en dbt.
- ❯ Diseñé la arquitectura de Information Retrieval en etapas desacopladas (retrieval híbrido Dense + Sparse en Qdrant, agregación por experto, reranking con Cross-Encoder y LLM-as-a-Judge), con índices versionados, despliegue zero-downtime y orquestación con Prefect.
- ❯ Hice fine-tuning contrastivo de un Bi-Encoder con LoRA mediante knowledge distillation desde el Cross-Encoder, sobre un dataset de pares construido a partir del grafo de coautoría (comunidades Leiden) con splits sin data leakage.
- ❯ Diseñé la evaluación y auditoría del sistema: métricas por etapa del ranking, feature engineering para auditar recomendaciones, LLM-as-a-Judge por tiers y validación contra las decisiones de las comisiones en la clasificación temática; experimentos, modelos y presets versionados en MLflow.
- ❯ Desarrollé con LangGraph un agente conversacional para explorar investigadores y producciones: router con subgrafos especializados, Corrective RAG (query rewriting y relevance grading) y memoria con trimming y sumarización, con recuperación de datos determinista vía SQL y Qdrant.
- ❯ Armé la suite de evaluación del agente: datasets sintéticos generados desde casos reales, métricas LLM-as-a-Judge de fidelidad, formato y alcance, y guardrails de salida contra enlaces alucinados y filtración de metadatos internos.
- ❯ Optimicé la inferencia en GPU con ONNX Runtime (IOBinding), FP16 y batching multi-GPU sobre ROCm y TensorRT: +140% de throughput y −60% de VRAM en el Bi-Encoder, 9x en el reranker. Desplegué serving distribuido de LLMs con vLLM y HAProxy en imágenes Docker multi-stage.
Software Engineer
- ❯ Automaticé la carga de comprobantes bancarios, que consumía ~5 horas diarias de trabajo manual, con un pipeline serverless event-driven en AWS (SQS, S3, Lambda, DynamoDB), OCR con Textract y extracción determinística con reglas de validación.
- ❯ Garanticé la integridad contable bajo concurrencia con procesamiento idempotente, escrituras condicionales y reintentos vía DLQ, sin pérdida de datos.
- ❯ Gestioné la infraestructura como código con Terraform (IAM least privilege, endpoints con firma HMAC-SHA256) e implementé observabilidad con CloudWatch: métricas, alarmas por severidad y dashboards operativos y de negocio.
Machine Learning Intern
- ❯ Desarrollé una plataforma web para Recorridos de Estudio e Investigación (REIs) que agrupa por tema las preguntas de los estudiantes y genera reportes para los docentes; se validó en un piloto real en el aula y coautoricé una publicación en CITAD 8 (Barcelona).
- ❯ Diseñé el pipeline de clustering no supervisado (embeddings multilingües, deduplicación semántica, UMAP y K-Means con selección automática de k), elegido mediante EDA y validado contra agrupamientos hechos por docentes.
- ❯ Desacoplé el análisis de la aplicación (Astro SSR, TypeScript) con un worker Python asíncrono y un contrato de datos versionado y validado en ambos extremos, todo desplegado en Docker.
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.
