Juan David Suárez Sánchez — AI Engineer.

Lidero el área de tecnología de la empresa, gestionando el equipo técnico y trabajando directamente con clientes para diseñar, orquestar y desplegar soluciones de inteligencia artificial.

• Diseño de arquitectura con Large Language Models (OpenAI API, Anthropic API) orquestados con LangChain y LangGraph.
• Construcción de AI Agents y sistemas multi-agente con tool calling, function calling y MCP (Model Context Protocol).
• Implementación de sistemas RAG (Retrieval-Augmented Generation) con embeddings y búsqueda semántica.
• Desarrollo de servicios en Python con FastAPI y deploy en GCP con Docker.
• Comunicación directa con cliente desde discovery hasta sistema en producción.

Año y medio especializado en la capa de calidad y evaluación del training de Large Language Models para mejorar los modelos de frontera.

• Diseño de prompts complejos aplicando Prompt Engineering avanzado: chain-of-thought, few-shot prompting y structured outputs.
• Desarrollo y optimización de código Python integrado en pipelines de training de LLMs.
• Aplicación de rúbricas multi-punto para LLM Evaluation en contextos altamente subjetivos.
• Análisis y aseguramiento de calidad de datasets para training de modelos.

Casi dos años combinando construcción y deploy de modelos de IA en producción con formación a otros profesionales en estas tecnologías. Recorrí la transición de Machine Learning clásico hacia sistemas de Generative AI.

• Diseño, entrenamiento y deploy en producción de modelos de Machine Learning y sistemas basados en Large Language Models.
• Formación de profesionales en LLMs, LangChain, AI Agents y RAG, conectando técnicas con sus fundamentos matemáticos.
• Construcción de aplicaciones con OpenAI API y Anthropic API usando Python.
• Implementación de data pipelines, evaluación de modelos y deploy con Docker.

Primer rol profesional aplicando Machine Learning a sistemas industriales en los sectores de energía y comunicaciones, bajo restricciones reales de hardware y costo.

• Desarrollo de modelos en Python para predicción de demanda energética y detección de anomalías en redes de comunicaciones.
• Análisis y selección de algoritmos apropiados para cada problema específico, evaluando su efectividad en contextos aplicados.
• Diseño de estrategias para mejorar la precisión de modelos mediante análisis de errores y ajuste de parámetros.
• Optimización de modelos para entornos con restricciones de hardware, asegurando rendimiento eficiente sin comprometer calidad.