Ingeniería de producto / Sistemas de IA
Alejandro Gómez
Desarrollo Invisor, un producto para buscar y analizar inmuebles. También soy cofundador de Miura.
Sobre mí
Formado en sistemas, redes, administración de sistemas y ciberseguridad.
- SEAT · Ingeniería IndustrialPython, bases de datos y herramientas internas para el equipo de Ingeniería Industrial.
- Desarrollador freelance · Consultor de IAProductos a medida para Encabo, Zaly, Big School, Endoaula e Ignis.
- MiuraEstudio de desarrollo de producto. Backend e integraciones de IA.
- InvisorProducto propio en producción. Análisis de inmuebles, ML y un agente que me ayuda a llevar el negocio.
Proyectos
Invisor
Invisor busca y analiza inmuebles según el presupuesto, la zona y la estrategia del inversor.
Desarrollo el producto y su backend. Usé Jev para etiquetar 50.000 inmuebles de la base de datos y preparar un dataset con sus características para CatBoost. Entreno y evalúo modelos de valoración, comparo sus predicciones con LLMs y sirvo el análisis de fotos con DINOv2 y ONNX.
Separo la extracción de hechos del cálculo y de la explicación. Evalúo los modelos con inmuebles y mercados fuera del entrenamiento, y los comparo con métodos sencillos antes de asumir que más complejidad mejora el resultado.
Levante
Aplicación de escritorio para conversar con modelos locales o de proveedores y usar herramientas MCP.
Lo desarrollamos en equipo. Yo añadí el inicio de sesión de la plataforma con OAuth 2.1 y PKCE, su conexión con el proceso principal de Electron y el registro del modelo usado en cada respuesta.
El usuario puede usar sus propios proveedores o entrar con una cuenta de la plataforma. La aplicación guarda qué modelo respondió a cada mensaje para poder consultar su uso.
Miura
Miura desarrolla plataformas educativas a medida. Hemos trabajado en Big School, Ignis Formación y Endoaula Conecta.
La cofundé con Octavian Kneupper. Me encargo del backend y las integraciones de IA. En Big School trabajé en el chat, las sesiones, los permisos y la apertura de contenidos según el calendario del curso.
El acceso al contenido depende del alumno, el programa en el que está inscrito y la fecha. Esas mismas restricciones se aplican al chat de IA.
Hermes
Uso Hermes Agent para el trabajo de Invisor que no es código: ventas, reuniones, análisis de usuarios y organización.
Lo conecto al CRM, las transcripciones, Notion y datos de Invisor. Usa Obsidian como memoria persistente: un cron diario registra todo lo que ha hecho y relaciona las notas. También consulta estadísticas de Instagram y TikTok.
Cada semana revisa dónde abandonan los usuarios el onboarding, quién compra y qué hace después. Me entrega un informe que uso para decidir qué cambiar en Invisor.
Desarrollo fullstack freelance
Trabajo profesional desarrollando productos a medida para otras empresas: frontend, backend e integraciones de IA.
Incluye proyectos vinculados a Miura y encargos anteriores al estudio. En ambos casos forman parte de mi trabajo como desarrollador fullstack.
Encabo Consulting · BrandAI
Sistema que convierte información de una marca en investigación, posicionamiento, perfiles de comprador y material de ventas. Construí el procesamiento y análisis; Saúl se encargó de recoger los datos y generar los guiones finales.
Detalles del trabajo →Zaly
Secuencias de contacto con playbooks deterministas. Implementé la selección según la situación del lead y las reglas de la organización; el LLM redactaba dentro de las instrucciones del playbook.
Detalles del trabajo →Big School
Plataforma educativa con chat de IA. Mi trabajo incluyó el chat, la gestión de sesiones, los permisos y la apertura de contenidos según el calendario del curso.
Endoaula Conecta
Desarrollo fullstack de una plataforma de formación médica a medida.
Ignis Formación
Desarrollo fullstack de una plataforma para preparar oposiciones de bomberos.
Cómo está hecho Invisor
- Entrenamiento y evaluación
- Usé Jev para etiquetar 50.000 inmuebles de la base de datos. Con ese dataset entreno modelos de CatBoost que comparan las características de los inmuebles para estimar su valor. He probado atributos del anuncio, información visual y datos de zona; comparo las predicciones con medianas y otros cálculos sencillos. Las pruebas separan inmuebles y mercados del entrenamiento, controlan anuncios repetidos y revisan tanto el error típico como los errores grandes.
- Añadir variables no mejoró siempre el resultado. Esa comparación determina qué información merece entrar en el modelo. Las pruebas usan precios anunciados; la investigación de valoración no equivale a validar precios de cierre.
- Visión e inferencia
- Sirvo un modelo basado en DINOv2 con ONNX en CPU para clasificar fotos por estancia y estado. La selección posterior combina relevancia y cobertura de estancias: cocina y baño aportan información distinta de una fachada. Filtra imágenes sintéticas antes del análisis de reforma.
- El servicio de visión está separado del agente. La inferencia corre fuera del event loop y las imágenes se procesan sin mantener todas las originales en memoria.
- Datos, cálculo y generación
- El LLM ayuda a extraer hechos de anuncios y a explicar resultados. La valoración se evalúa aparte, con datos estructurados y modelos numéricos. Mantener esas partes separadas permite cambiar el modelo o la explicación sin confundir una respuesta convincente con una estimación comprobada.