Experiencia Profesional

Experiencia

2026-01 — 2026-07

Machine learning engineer — desarrollo de agentes

Desarrollo del agente de un asistente de inspección para Red Eléctrica de España. Los técnicos tenían millones de fotos de torres de alta tensión con sus defectos y debían revisarlas torre por torre. Con el agente pueden consultar por zona y por tipo de defecto, de forma que priorizar y enviar cuadrillas de reparación es mucho más eficiente.

Responsabilidades

Diseño, desarrollo y despliegue del agente completo, incluida su infraestructura.
Integración con el backend de análisis de imágenes y entrenamiento de modelos de visión desarrollado por el equipo de visión.

Logros

Rediseñé la arquitectura: pasó de detectar la intención del usuario y ejecutar una única tool, a un bucle ReAct multipaso sobre unas 10 tools (análisis de imágenes, navegación en S3, entrenamiento de modelos de visión, envío de informes por correo). El agente dejó de responder a comandos sueltos y pasó a resolver peticiones encadenadas de principio a fin, como analizar torres en varias zonas de España y enviar después un informe.
Introduje LangSmith para trazabilidad: encontrar la causa de un fallo pasó de más de 10 minutos revisando logs a mano a segundos. Lo más importante es que permitió reproducir exactamente la conversación de un compañero que reportaba un problema; antes eso llevaba días o semanas y acababa en el clásico "a mí no me falla".
Implementé multiproveedor de LLMs con fallback automático ante caídas de proveedor, límite de pasos, guardarraíles y gestión de caché para reducir el gasto en tokens.
Memoria por usuario, de forma que el agente se adapta a las preferencias de cada persona.
Interfaces en Microsoft Teams y web.

Python

LangGraph

LangSmith

MCP

OpenAI

Mistral

OpenRouter

AWS S3

Railway

Docker

2025-03 — 2026-01

Machine Learning Engineer - Freelance

Alvea Soluciones Tecnológicas Remote

Alvea me contrató como freelance para desarrollar producto de agentes con su empresa partner, Turing Dream. El proyecto principal fue un sistema multiagente de tutoría para estudiantes de secundaria, con un agente por asignatura y material de curso elaborado y validado por un equipo de profesores. Llegó a usarse con alumnos reales en un colegio privado en España y en un instituto en Colombia.

Responsabilidades

Planificación de tareas del agente, tanto dentro de la ventana de contexto como generando ficheros de plan de ejecución.
Sistemas multiagente y agentes con subagentes, dividiendo el problema en otros más pequeños para elevar la probabilidad de éxito sin saturar la ventana de contexto.
Desarrollo de tools para dar nuevas capacidades a los LLMs: gestión de ficheros, llamadas a APIs, ejecución de código.
Prompt engineering con ejemplos positivos y negativos, condicionamiento del comportamiento y modelado de las respuestas.
System prompts que definen el comportamiento, aportan contexto del problema y blindan al agente frente a prompt injection.
Human in the loop, de forma que el usuario puede reconducir al agente a mitad de tarea y mantenerlo en rumbo.
Context engineering: añadir y eliminar información, compactación y poda, reparto del contexto entre subagentes, evitando el envenenamiento de contexto.
Bases de datos de grafos y consultas Gremlin.

Logros

Entrega de dos MVPs en dos semanas.
Llevar el agente de tutoría de prototipo a alumnos reales en dos países.

Python

OpenAI Agents SDK

Graph databases

Gremlin

2024-12 — 2025-03

Machine Learning Engineer - Freelance

Civir Remote

Desarrollo de chatbot para HoReCa (hoteles, restaurantes y cafeterías), mediante el cual cocineros y camareros pueden hablar con el chatbot para hacer consultas sobre las recetas y las cartas.

Responsabilidades

Desarrollo de backend con chatbot
Desarrollo RAG
Implementación de agentes que obtienen la intención del usuario y ejecutan acciones
Desarrollo de componentes de React para la interfaz de usuario
Implementación de chatbot mediante comunicación hablada

Logros

Búsquedas vectoriales personalizables
Generación de prompts con LangChain, construidos mediante variables a partir de la pregunta del usuario y de la información de la empresa
Diseño de un pipeline de audio en streaming para reducir el coste de STT: el front enviaba fragmentos de 100 ms, el backend los recomponía, usaba VAD para detectar habla real y bufferizaba de forma continua, enviando el audio a la API de STT solo tras unos 2 s de silencio, de modo que únicamente se transcribía habla real.

Python

LangChain

PostgreSQL

PGVector

React

Kubernetes

Docker

GitHub Actions

2024-09 — 2024-11

AI tech lead

Bravent Remote

Liderazgo técnico en una iniciativa de IA generativa sobre Azure: arquitectura, selección de tecnología y evaluación de riesgos. El programa fue detenido por el cliente.

Python

Pytorch

HuggingFace

Azure

Azure Machine Learning

2022-09 — 2024-09

Machine Learning Engineer

Sener Tres Cantos, Madrid

Machine Learning Engineer, desarrollo de algoritmos de vision para vehículo autónomo y liderazgo en sistema de RAG para obtener información de documentación

Responsabilidades

Desarrollo del conjunto de algoritmos de visión para vehículo autónomo.
Liderazgo en el desarrollo de sistema de RAG para obtener información de documentación.

Logros

Al trabajar en un vehículo autónomo todo tiene que ir en un dispositivo embebido, que no es tan potente como un ordenador normal. Por lo que optimicé las redes neuronales con TensorRT, consiguiendo que el tiempo de inferencia y la memoria VRAM necesaria fuese mucho menor, asegurando el funcionamiento en tiempo real del vehículo autónomo.
Desarrollo de un dataset de imágenes sintéticas realistas para entrenar las redes para el vehículo autónomo, creando imágenes en diferentes condiciones ambientales, haciendo que las redes neuronales fuesen más robustas.
Implementación de scripts de arranque de todas las librerías y programas del dispositivo del vehículo autónomo. Antes solo sabía instalar todo una persona, ahora cualquiera puede arrancar el sistema.
Desarrollo del stack de percepción completo (segmentación, clasificación, detección y estimación de profundidad) para un vehículo autónomo en entornos no estructurados, dentro de un consorcio europeo de defensa.
Desarrollo de una herramienta de etiquetado que redujo el tiempo de etiquetar una imagen de horas a minutos.
Mentorización de 3 becarios y juniors.
Impulso a la promoción de una compañera del equipo de visión.

Python

Pytorch

HuggingFace

TensorRT

Nvidia Jetson

2017-10 — 2022-07

Ingeniero de IA y electrónico

Arquimea Leganés, Madrid

Desarrollo de IA, HW y FW.

Responsabilidades

Implementación de algoritmos de detección para UAV.
Desarrollo de piloto de algoritmo de geoposicionamiento sin GPS.
Liderazgo del desarrollo de HW y FW de UAV.

Logros

Con la implementación de algoritmos de detección para UAV, evitamos tener que comprar un dispositivo que hacía dicha detección, ahorrando un coste de 2000€ por unidad.
Cuando llegué el HW y FW de cada uno de los UAVs y estaciones de tierra era diferente, lo que hacía que hubiese varios equipos desarrollando la misma funcionalidad, de diferentes maneras. Unifiqué el HW de los UAVs y estaciones de tierra, lo que abarataba las fabricaciones de PCBs. Además permitió crear un FW de bajo nivel común, teniendo que cambiar solo la parte de alto nivel, evitando desarrollos duplicados.
En entornos de guerra electrónica es habitual inhabilitar el GPS, lo que es letal para un UAV: sin posicionamiento puede acabar cayendo en territorio enemigo y ser analizado mediante ingeniería inversa. Desarrollé un MVP de geoposicionamiento sin GPS, entrenando una red sobre imágenes cenitales de España y Francia, capaz de localizar la aeronave a partir de una sola imagen con un error de aproximadamente 1 km. Esa precisión es suficiente para el objetivo real: no navegar con exactitud, sino devolver la aeronave a territorio amigo, que abarca miles de km². Se entregó como MVP y no llegó a producción.

Python

Pytorch

YOLO

Altium

STM32

2014-05 — 2017-10

Ingeniero electrónico

Indra Torrejón de Ardoz, Madrid

Desarrollo HW y FW.

Responsabilidades

Desarrollo FW de PCB de control de helicóptero autónomo.
Mantenimiento de HW de PCBs de helicóptero autónomo.
Desarrollo HW de PCB con sensores para un caza.

Logros

Nadie quería hacerse cargo del FW de la PCB de control de helicóptero autónomo, lo qye hacía que el proyecto avanzase muy lentamente. Me hice cargo del FW, por lo que el proyecto avanzó mucho más rápido.
Cuando llegué las pruebas de arranque de las PCBs se hacían a mano, ya que las diseñaban los ingenieros que las diseñaban y solo las probaban en la fase de diseño. Pero cuando el proyecto estaba en producción, cada vez que se fabricaban nuevas PCBs, sus pruebas se hacían muy lentas porque se tenían que hacer a mano. En las PCBs que desarrollé, implementé cableado de pruebas y FW de pruebas, de manera que el test de las PCBs se hacía automáticamente, haciendo que cuando el proyecto estaba en producción, las pruebas de las PCBs se podían hacer mucho más rápido y además las pudiese hacer más gente, porque no hacía falta personal con un cierto conocimiento mínimo

Altium

Eclipse

2013-01 — 2014-05

Becario

Indra Torrejón de Ardoz, Madrid

Ayuda a project manager en gestión de proyectos. Desarrollo HW y FW.

Responsabilidades

Ayuda a project manager en gestión de proyectos.
Diseño de pruebas para arranque de PCBs de comunicaciones para controladores aéreos.
Diseño HW y FW

Logros

Diseño y documentación de pruebas de arranque de PCBs de comunicaciones para controladores aéreos.
Reparación de PCBs para controladores de tráfico aéreo.

Altium

MPLAB

Seguir leyendo

Qwen Image 2.1 en dos RTX 3090: de un Studio privado a ZeroGPU

Cómo probé Qwen Image 2.1 en dos RTX 3090, creé un Studio Gradio privado con Tailscale y lo adapté a Hugging Face ZeroGPU. Resultados, decisiones y límites.

Cómo ejecutar tools en paralelo en un agente

Aprende a decidir qué tools pueden ejecutarse juntas, limitar las operaciones activas y devolver cada resultado a su pet...

Errores de tools: cómo un agente se recupera y cuándo debe parar

Cómo comunicar errores de tools al modelo, permitir una recuperación útil y evitar guardados duplicados. Contrato, ciclo...

Últimos posts -->

¿Has visto estos proyectos?

Gymnasia

LangGraph Deep Researcher

Tau

Ver todos los proyectos -->

>_ Disponible para proyectos

¿Tienes un proyecto con IA?

Hablemos.

maximofn@gmail.com

Especialista en Machine Learning e Inteligencia Artificial. Desarrollo soluciones con IA generativa, agentes inteligentes y modelos personalizados.

Escríbeme LinkedIn

¿Quieres ver alguna charla?

El viaje del arroz: cómo desarrollar un agente en una app de gimnasio

Presentación interactiva en 3D sobre el agente de Gymnasia: dónde viven los datos, del plato al dato, tools, duplicados, límites de salud y cómo proba...

Buenas prácticas creando agentes con Claude Code

Charla técnica: skills, subagentes, slash commands y MCPs en Claude Code

Últimas charlas -->

¿Quieres mejorar con estos tips?

Buenas prácticas creando agentes con Claude Code

Charla técnica: skills, subagentes, slash commands y MCPs en Claude Code

o1 prompt engineering

Crear mejores prompts para o1 siguiendo un ejemplo

Memory profiler

Ver el uso de memoria de un script

Últimos tips -->

Usa esto en local

Los espacios de Hugging Face nos permite ejecutar modelos con demos muy sencillas, pero ¿qué pasa si la demo se rompe? O si el usuario la elimina? Por ello he creado contenedores docker con algunos espacios interesantes, para poder usarlos de manera local, pase lo que pase. De hecho, es posible que si pinchas en alún botón de ver proyecto te lleve a un espacio que no funciona.