Saltar al contenido

España · abierto a remoto en Europa

Hola, soy Amando

Ingeniero de Backend · Datos e IA

Construyo

Construyo la mitad poco glamurosa del software: pipelines de datos, APIs y sistemas con LLMs que siguen funcionando un domingo por la noche sin que nadie se entere.

del gasto anual en LLMs de un pipeline, de seis dígitos a cinco
0% del gasto anual en LLMs de un pipeline, de seis dígitos a cinco
menos tiempo del equipo jurídico en procesar informes
0% menos tiempo del equipo jurídico en procesar informes
noticias ingeridas y clasificadas cada día
0K+ noticias ingeridas y clasificadas cada día
Python FastAPI Airflow 3 Kubernetes PostgreSQL MongoDB LLM pipelines AI-assisted development Elasticsearch DDD Hexagonal architecture TDD Grafana Sentry AWS Vue 3

Proyectos destacados

Cuatro proyectos con la misma estructura: un problema real, la decisión que importó y qué cambió de verdad.

Pipeline de inteligencia de noticias

20.000 noticias al día, ingeridas, clusterizadas y clasificadas con LLMs.

Resultado
Veinte mil noticias al día pasan sin supervisión y el gasto anual en LLMs del pipeline bajó un 85%: de una cifra de seis dígitos a una de cinco. El clustering reduce drásticamente el volumen que llega a las etapas caras, y más de una etapa acabó en un modelo más pequeño y barato cuando la evaluación demostró que igualaba al grande en la tarea que importaba.

PythonAirflow 3KubernetesLLMsPostgreSQLMongoDBElasticsearchAWS

Leer el caso

Pipeline regulatorio auto-reparable

200 fuentes jurídicas scrapeadas, reparadas con IA cuando rompen, y minadas para extraer insights.

Resultado
Procesar informes le lleva ahora al equipo jurídico un 70% menos de tiempo que antes. Toda la capa de scraping que cubre las 200 fuentes, bucle de auto-reparación incluido, se construyó en aproximadamente una semana con ayuda de IA — un trabajo que antes habrían sido meses de parsers escritos a mano. Las fuentes que rompen se reparan solas en vez de despertar a alguien, y cambiar una clasificación es editar un prompt y lanzar una evaluación en lugar de semanas escribiendo reglas.

PythonAirflowAgentes LLMPostgreSQLMongoDBElasticsearchAWS

Leer el caso

Gestión Guarda Rural

Un proyecto personal que sustituyó hojas de cálculo y WhatsApp por software de verdad.

Resultado
La facturación mensual pasó de una tarde de trabajo manual a unos pocos clics. Construido y puesto en marcha en semanas, no meses, incluyendo notificaciones a varios destinatarios por cliente y un diseño de factura en PDF que sobrevive al contacto con una impresora real — todo sobre un pipeline de despliegue que solo promociona lo que pasó contra una rama de base de datos con forma de producción.

PythonPostgreSQLNeonRailwayVue

Leer el caso

Fantasy Voley

Manager fantasy de voleibol español, puntuado con estadísticas reales de la liga.

Resultado
Una liga funcionando de punta a punta — ingesta, motor de puntuación y front — sincronizada automáticamente durante la temporada, sobre un modelo de datos que sobrevivió a un rediseño de la web de la federación sin reescribirse. El lanzamiento público es el siguiente paso.

PythonPostgreSQLNeonRailwayVue

Leer el caso

Experiencia

Una empresa hasta ahora, y qué cambió de verdad mientras estuve allí.

  1. oct 2022 — Actualidad

    Ingeniero de Software Senior — Backend, Datos e IA

    Datamaran

    Entré como Ingeniero de Software (oct 2022) · ascendido a Senior en enero de 2026

    SaaS de inteligencia regulatoria y ESG. Entré como ingeniero junior en octubre de 2022 y ascendí a senior en enero de 2026, con la plataforma de datos que convierte documentación regulatoria y noticias en señal estructurada para clientes enterprise — y con las prácticas de ingeniería sobre las que trabaja todo el equipo.

    • Construí el pipeline de inteligencia de noticias que ingiere, deduplica, clusteriza y clasifica más de 20.000 noticias al día con LLMs sobre Airflow 3 en Kubernetes — y recorté un 85% su gasto anual en LLMs (de seis dígitos a cinco) ordenando las etapas por coste y bajándolas a modelos más pequeños cuando la evaluación demostró que no se perdía calidad.
    • Construí el pipeline regulatorio sobre 200 fuentes jurídicas y oficiales — toda la capa de scraping más su bucle de auto-reparación con IA, entregada en aproximadamente una semana con ayuda de IA — que redujo un 70% el tiempo del equipo jurídico procesando informes.
    • Desarrollé el sistema de gestión de usuarios y autenticación de la aplicación, y la capa de compartición de recursos que permite el trabajo colaborativo en vivo entre cuentas.
    • Introduje y extendí las prácticas de ingeniería con las que trabaja hoy el equipo: DDD, arquitectura hexagonal, TDD, estándares comunes de linting y formato, y gestión correcta de pools de conexiones a base de datos.
    • Lideré la adopción del desarrollo asistido por IA: agentes y harnesses de evaluación integrados en pipelines, repositorios y procesos de entrega, no solo autocompletado en el editor.
    • Llevo la observabilidad de lo que construyo: dashboards en Grafana y alertas en Sentry, para que los fallos aparezcan como señal y no como un email de un cliente.
    • Trabajo directamente con stakeholders para convertir necesidades de cliente en funcionalidades, desde el scoping hasta producción.
    Python FastAPI Airflow 3 Kubernetes PostgreSQL MongoDB Elasticsearch LLMs AWS Grafana Sentry Vue 3

Sobre mí

Soy ingeniero de backend que acabó en datos e IA porque es donde están los fallos interesantes. Entré en Datamaran como junior en 2022 y crecí hasta senior, lo que en la práctica significó llevar sistemas de punta a punta: los pipelines que leen 20.000 noticias y 200 fuentes jurídicas al día — uno un 85% más barato de operar que cuando lo heredé, el otro ahorrando al equipo jurídico un 70% del tiempo de procesar informes — además de las capas de autenticación y compartición bajo el producto y la observabilidad que nos avisa cuando algo se rompe.

Construyo y automatizo con IA en el bucle, no como demo sino como forma de trabajar: agentes LLM metidos en pipelines reales (un scraper que se repara solo en vez de despertar a alguien), harnesses de evaluación para que cambiar un modelo o un prompt sea un experimento con un número detrás, y desarrollo asistido por IA extendido a repositorios y procesos de entrega.

La otra mitad del trabajo se ve menos y pesa igual: empujé DDD, arquitectura hexagonal y TDD por todo el código, estandaricé linters y formato, y arreglé cómo gestionábamos los pools de conexiones a base de datos. Límites claros entre capas, reglas de negocio en un único sitio testeable, y fallos ruidosos y baratos en lugar de silenciosos y caros.

Hablemos

¿Buscas un ingeniero de backend, datos o IA? Cuéntame qué problema quieres resolver y te digo claramente si soy la persona adecuada.