Trabajo seleccionado

Sistemas de IA privada, construidos alrededor de restricciones reales.

Trabajo seleccionado en implementación de IA privada, automatización de procesos, tecnología educativa y datos sintéticos.

Dashboard con clusters de tickets IT recurrentes por causa raíz

Sector público & enterprise

Automatización de IT Service Management.

En colaboración con DigitFlow. Ahora disponible como paquete de producto.

Problema: Un backlog caótico de tickets de soporte con medios mixtos hacía difícil ver problemas recurrentes, causas raíz y prioridades operativas.
Restricción: El proceso incluía datos operativos internos y tenía que respetar estrictamente los requisitos de control de datos.
Sistema: Una pipeline local, segura y open-source de IA con OCR y LLMs para procesar adjuntos, resumir tickets, agrupar incidencias y mostrar causas raíz en un dashboard.
Resultado: El triage manual y el análisis de causas raíz se sustituyeron por una pipeline automatizada de clustering en infraestructura controlada, para que los equipos IT trabajaran sobre patrones y no ticket por ticket.

Plataforma educativa que apoya feedback sobre textos de estudiantes

Education tech

IA para educación.

Backend e infraestructura de IA para Mark My Words, apoyando feedback en tiempo real para estudiantes.

Problema: Educadores necesitaban ofrecer feedback personalizado y escalable sobre textos de estudiantes sin quedar enterrados en trabajo repetitivo de corrección.
Restricción: La IA podía apoyar el proceso, pero el juicio y la revisión del educador debían seguir siendo centrales en el aprendizaje.
Sistema: Colaboración con Mark My Words para construir infraestructura backend con modelos RAG, LLMs fine-tuned y pipelines asíncronas para uso en aula.
Resultado: El feedback personalizado sobre textos de estudiantes pasa por una pipeline automatizada, con revisión explícita del docente antes de la entrega final.

Visualización de datos sintéticos para validar modelos sin exponer registros reales

Tecnología de privacidad

Synthetic Data Engine.

Validación de modelos centrada en privacidad para equipos que necesitan comportamiento de datos realista sin exponer registros reales.

Problema: Modelos y pipelines necesitaban validación, pero usar datos reales era imposible por restricciones de privacidad, y los datos de prueba no eran suficientemente realistas.
Restricción: Los datos generados debían preservar distribuciones útiles, casos límite y patrones de comportamiento sin exponer registros sensibles.
Sistema: Análisis estadístico y lógico de estructuras de datos reales, seguido de la creación de datasets sintéticos de alta fidelidad que preservaban distribuciones, casos límite y patrones de usuario.
Resultado: Los datasets sintéticos sustituyeron a registros de producción en pruebas y preproducción, preservando estructuras, distribuciones y casos límite realistas.

Siguiente paso

¿Tienes un proceso como este?

Si tu empresa quiere productividad de IA sin ceder control sobre datos, conocimiento interno y procesos de negocio, ese suele ser el punto correcto para empezar.

Reservar una evaluación de IA privada Enviar mensaje