01
Analizador de ofertas · LLM → JSON
Extrae los datos de una oferta de empleo a JSON estructurado y validado por Pydantic, llamando al LLM por SDK directo (Claude y OpenAI), sin framework de por medio.
Desplegado
Denys Porynets · Data Scientist · Madrid
Construyo sistemas de IA
Construyo sistemas de IA
y los pongo en producción.
Soy Denys Porynets — data scientist que construye y despliega sistemas de IA. Mido una sola cosa: qué he desplegado y se usa de verdad.
Quién construye esto · stack completo
Sobre mí
Máster en Data Science & AI (Nuclio, GPA 8.57/10) sobre una base de Ingeniería Informática (UC3M) y años de operaciones en entornos de producción reales — hostelería y atención al cliente. Uno el análisis de datos con el conocimiento del terreno para construir herramientas que resuelven problemas de verdad, no de laboratorio.
Automatizo procesos, entreno modelos predictivos y, últimamente, construyo y despliego sistemas LLM en GCP Cloud Run (FastAPI + Docker): un RAG y un agente autónomo, ambos en producción. Mido lo que importa: qué queda desplegado y se usa.
Lenguajes y datos
PythonSQLpandasNumPy
Machine Learning
scikit-learnLightGBMTensorFlowSHAP
AI Engineering · LLMs
LLM APIs · OpenAILangChainRAG & EmbeddingsAgentes · ReActFunction CallingStructured OutputsPrompt EngineeringEvaluación de LLMs
Despliegue & MLOps
GCP · Cloud RunDockerFastAPIREST APIsMLflowAirflowGit
Visualización & BI
PlotlyPower BImatplotlibseabornStreamlit
Ruta AI Engineering · registro de despliegue
Bitácora de despliegue
Seis artefactos en producción. No seis meses de cursos.
El estado dice la verdad: lo desplegado corre en Cloud Run tras un token; lo interno es la herramienta que da confianza a lo que sí se expone.
5 desplegados
/
6 construidos
02
RAG sobre un corpus personal
Responde citando el fragmento real y su página, y dice «no lo sé» en vez de inventar cuando la pregunta cae fuera del corpus. En producción con FastAPI, Docker y Cloud Run; claves en Secret Manager.
— s
Escala a cero: sin tráfico, el servicio se apaga.
Desplegado
03
Harness de evaluación del RAG
Mide si el sistema mejora o empeora entre versiones: un juez LLM puntúa fidelidad y relevancia sobre un dataset dorado, y una puerta de calidad bloquea las regresiones. Cazó un falso positivo real antes de que llegara a producción.
Interno
04
Agente de búsqueda de empleo
Agente con tool use real y el bucle de function-calling escrito a mano sobre el SDK (sin framework): lee una oferta, la contrasta con mi CV y redacta un borrador, orquestando tres herramientas. Desplegado en Cloud Run.
Desplegado
05
Endurecimiento de prompts + structured outputs
El mismo agente, ahora con disciplina: prompts versionados y un eval-set de bugs reales con casos de control, donde cada cambio queda justificado por un número — no por un «parece mejor». Un juez-LLM puntúa lo cualitativo y Pydantic garantiza la forma de cada salida.
Desplegado
06
Monitorización del agente en producción
Cada petición al agente deja rastro: cuánto costó en euros y si falló. Un medidor (ContextVar) y una bitácora en JSON a Cloud Logging responden con datos reales cuánto cuesta y cuánto se rompe, con un espejo del historial en MLflow. El DoD —coste por petición y porcentaje de fallos— respondido con producción, no con estimaciones.
Desplegado
Trabajo previo · el terreno firme
Fundamentos
Los proyectos sobre los que se apoya la ruta: datos a escala, automatización de operaciones y visualización con criterio.
INE EOH — Automatización XML
Genera el XML de la Encuesta de Ocupación Hotelera del INE a partir de exports de Opera Cloud PMS: auto-detecta ficheros, calcula la distribución por CCAA y exporta tablas de resumen.
Microsoft Malware Detection
Modelo de ML para detección de malware sobre 9 millones de registros: ingeniería de variables, validación estratificada y resultado por encima del benchmark de Kaggle.
DS-NEXUS
Framework meta-prompt para calibrar la colaboración con IA a tu arquitectura cognitiva: define protocolos de comunicación, densidad de información y modos de trabajo.
La Dieta de un País
TFM del Máster: tipologías dietarias, huella de carbono y coste alimentario en 30 países. Tres motores (clustering, LightGBM+SHAP, forecast) y un dashboard Streamlit con simulador what-if.
GuestJourney
Visualización interactiva del customer journey hotelero, de la primera búsqueda a la resolución post-estancia: etapas, puntos de contacto y momentos críticos de la experiencia.
¿Ver todo?
El resto del trabajo, los libros de conceptos y la bitácora completa viven en GitHub.
github.com/denysporynetsperfil →