Soy Brian Molina, técnico universitario en Inteligencia Artificial (en curso, 85% de la carrera). Trabajo con empresas que tienen datos dispersos, tareas repetitivas y decisiones que se toman a ojo — y las convierto en sistemas que calculan, avisan y responden solos.
No vendo tecnología: resuelvo cuellos de botella. Estas son las cuatro cosas que hago, y debajo de cada una está el trabajo que lo respalda.
Conecto las herramientas que ya usás para que las tareas repetitivas se hagan solas: monitoreo, generación de reportes, carga de datos entre sistemas que hoy no se hablan.
Paneles internos donde cada persona ve exactamente lo que necesita y nada más. Rentabilidad para la dirección, tareas para el equipo, cuentas para los ejecutivos.
Tomo tus datos, aunque estén desordenados, y los convierto en respuestas: qué está en riesgo, qué explica una caída, qué se puede anticipar.
Sistemas que leen imágenes o texto: extracción automática de datos de facturas y documentos, clasificación de imágenes, análisis de comentarios de clientes.
Un proyecto en desarrollo que atraviesa las cuatro áreas anteriores. Muestra cómo trabajo: primero entender el negocio, después decidir la tecnología.
El dueño de un restaurante sabe cuánto vende, pero no cuánto gana por plato. Los precios de los proveedores cambian todas las semanas y las recetas quedan desactualizadas. El sistema conecta la caja registradora con las facturas de compra y calcula el costo real y el margen de cada plato, todos los días, sin que nadie cargue nada a mano.
Esquema relacional en PostgreSQL: productos, recetas con gramaje y merma, ventas, compras, stock y costo laboral.
Extracción automática de ventas, con tres estrategias previstas según si el POS tiene API, exporta archivos o ninguna de las dos.
Las facturas llegan por mail o foto y el sistema extrae proveedor, ítems, cantidades y precios. Si la confianza es baja, marca para revisión humana.
Funciones SQL que calculan el costo de cada plato y arman el estado de resultados operativo en tiempo real.
Alertas automáticas cuando el costo de un plato se sale de su rango histórico, combinando Z-score con detección de anomalías.
Un modelo de lenguaje ajustado con la información del negocio, para que el dueño pregunte en su idioma y no en SQL.
Todo lo que sigue está en GitHub, con el código y la documentación completa. El primero se puede usar directamente desde el navegador.
Sistema de gestión interna para una agencia, con seis roles de usuario. Cada rol tiene su propia navegación, sus paneles y sus permisos: la rentabilidad por cliente la ve la dirección, la carga de facturación la ejecutiva, las tareas el especialista. Se cambia de rol con un clic y toda la interfaz se reconstruye. Un solo archivo HTML, sin dependencias.
Workflow que monitorea publicaciones en redes, las evalúa con un modelo de lenguaje y genera propuestas de reels, carruseles y placas. Reemplaza el trabajo manual de buscar referencias.
Análisis del sector manufactura sobre una fuente de 15.000 registros con anomalías deliberadas: duplicados, valores centinela, categorías inconsistentes. Incluye el protocolo de limpieza y las conclusiones.
ID3 y Random Forest implementados desde cero, sin librerías de ML. El resultado es un buen ejemplo de por qué el accuracy engaña: el modelo con mejor accuracy nunca aprueba un crédito.
Comparación de diecisiete modelos de clasificación y regresión sobre datos de rendimiento académico, con las métricas implementadas a mano y la justificación de cuál conviene usar.
Implementación desde cero de dos algoritmos clásicos de aprendizaje, aplicados a un dataset bancario de otorgamiento de créditos.
Universidad pública, con especialización en inteligencia artificial aplicada.
Elijo la herramienta según el problema, no al revés.
Contame qué hacés hoy a mano y te digo si se puede automatizar, cuánto llevaría y qué haría falta. Sin compromiso.