fig. 0 — Bosones en una trampa armónica 2D, el sistema de mi primer artículo (Phys. Rev. A 96, 043614, 2017).
01 · Visión por computador
Enseña a las máquinas a ver lo que ven tus expertos.
Detección, segmentación y medición en imagen médica, biológica e industrial.
Universidad de Barcelona2018Trabajo fin de máster
Segmentación de ecografías de carótida
Deep learning para automatizar la segmentación de la arteria carótida y la clasificación de la placa de ateroma en ecografías, desarrollado codo a codo con personal investigador predoctoral.
Keras
TensorFlow
Segmentación semántica
fig. 1 — Una bifurcación carotídea. Destacado: el bulbo, donde suele acumularse la placa.
Izertis2024–2025Colaboración de investigación con un laboratorio de biología
Detección y morfología celular
Un laboratorio quería pasar de mirar imágenes de microscopía a medirlas. Se detecta cada célula, se segmenta y se describe por su forma, y se mapean las estructuras que forman las células por toda la cuadrícula de la imagen.
→ Las observaciones cualitativas se convirtieron en cifras reproducibles.
YOLO
Cellpose
StarDist
CellProfiler
OpenCV
fig. 2 — Células segmentadas, núcleos y cajas de detección.
02 · Documentos y LLM
Lee miles de páginas para que tu equipo no tenga que hacerlo.
Pipelines que extraen, verifican y estructuran información de documentos, también cuando los datos no pueden salir del edificio.
Izertis2024–2026Institución pública española
Verificador de cumplimiento legal para PDFs
Los auditores revisaban a mano los documentos de los proveedores: lento, repetitivo e inconsistente de un auditor a otro. Cada proveedor personalizaba la plantilla oficial de forma distinta. El sistema comprueba cada PDF contra 50–100 reglas legales, desde el diseño y los iconos hasta si cada sección dice lo que exige la ley.
→ De unos 15 minutos de revisión manual por documento a menos de un minuto, con los mismos criterios para todos.
Tesseract OCR
CLIP
Phi-4
OpenCV
On-premise
Solo CPU
Sin APIs externas
Determinista
fig. 3 — Un documento de proveedor, tal como lo recibían los auditores.
03 · Scoring de riesgo y fraude
Puntúa el riesgo antes de que se convierta en una pérdida.
Sistemas de scoring de extremo a extremo en los que confía el negocio: desde los datos en bruto hasta una puntuación, una decisión y un informe.
Truvi (Reino Unido)2026–actualidadFreelance · Científico de datos
Modelo de riesgo de reservas
Truvi protege a anfitriones y huéspedes en alquileres de corta duración. Soy responsable del modelo que puntúa cada reserva para que el negocio pueda decidir cómo proteger cada estancia. Asumí un modelo existente, lo mejoré, y ahora lo hago escalar con el negocio.
→ Predicciones mejores y más fáciles de interpretar para el negocio, en producción.
Python
SQL
Machine learning
MLOps
Informes
fig. 4 — Un flujo de reservas. Destacadas: las pocas que necesitan protección extra.
UNNAX2019–2021Fintech · equipo de datos de dos personas
Clasificador de transacciones bancarias
UNNAX agregaba cuentas bancarias para que los prestamistas pudieran evaluar a sus clientes. Diseñé un clasificador en producción, y lo seguí mejorando durante dos años, que clasifica descripciones de transacciones cortas, ruidosas y multilingües en unas 10 categorías y 30 subcategorías. Más adelante pasó de España a México.
→ Perfiles de cliente (factores de riesgo, capacidad de pago) construidos sobre estas categorías.
Python
R
scikit-learn
SQL
fig. 5 — Un flujo de transacciones, clasificado en categorías.
04 · Previsión y detección de anomalías
Detecta el fallo antes de que ocurra.
Modelos de series temporales sobre datos de sensores: avisos tempranos, controles de calidad en tiempo real, y menos tiempo perdido por averías.
Izertis2024–2026Cliente energético · plantas en todo el mundo
Mantenimiento predictivo para seguidores solares
Los motores y las baterías de los seguidores solares fallan, y una pieza de recambio puede tardar semanas en llegar a una planta. Con datos multivariantes de sensores de más de mil seguidores en todo el mundo, el sistema detecta comportamientos anómalos y clasifica el estado de salud de cada componente.
→ Unos 30 días de aviso, tiempo suficiente para hacer llegar la pieza de recambio al lugar.
Python
scikit-learn
Autoencoders
Series temporales
fig. 6 — Un campo de seguidores solares. Destacado: el que está a punto de fallar.
Izertis2024–2026Cliente de fabricación industrial
Control de calidad en tiempo real en fabricación láser
En un proceso láser sustractivo, cada segundo dedicado a una pieza ya defectuosa es tiempo perdido. El modelo lee la señal de potencia del láser a medida que fluye y marca las piezas defectuosas a mitad de proceso, antes de que la pieza esté terminada.
→ Inferencia en milisegundos sobre millones de puntos de datos, funcionando en directo en la línea de producción experimental del cliente.
Python
Autoencoders
Streaming
scikit-learn
fig. 7 — Una pieza cortada capa a capa. Destacado: el láser.
05 · Medición a gran escala
Cifras en las que todo un sector puede confiar.
Productos de datos auditados donde cada cambio de metodología se debe justificar.
GfK2021–2024Joint Industry Committees · equipo de seis personas
Monedas de audiencia para Suecia y España
Una moneda de audiencia es la cifra con la que comercian cadenas, editores y anunciantes. Combinamos un panel de miles de hogares con grandes volúmenes diarios de eventos de TV y online en una sola moneda: Total Video en Suecia y Digital Audience Measurement (DAM) en España.
→ Entregas fiables y auditadas.
Python
R
AWS
SQL
Terraform
GitLab CI
fig. 8 — TV, portátil, tablet y móvil, fusionados en una sola medida.
06 · ML científico
Machine learning para ciencia de verdad.
De la física cuántica al descubrimiento de fármacos: trabajo de nivel de investigación, comparado honestamente.
Izertis2024–2025Proyecto de investigación con un equipo de inspiración cuántica
Cribado virtual para el descubrimiento de fármacos
Encontrar, por computación, las moléculas con probabilidad de unirse a una proteína diana. Implementé un autoencoder convolucional de grafos que compara candidatos con ligandos conocidos, más una puntuación de calidad de docking basada en ML, como línea base para un equipo que desarrolla algoritmos de inspiración cuántica.
→ Una comparativa justa: los métodos de ML y los de inspiración cuántica salieron empatados, cada uno ganando en algunos casos.
PyTorch
Redes neuronales de grafos
Autoencoders
Docking
fig. 9 — Una molécula candidata.
07 · Adopción de la IA en equipos
Haz que tu equipo trabaje con la IA, no solo charle con ella.
Trabajo práctico de productividad, para que analistas e ingenieros usen la IA en todo su flujo de trabajo real.
Truvi (Reino Unido)2026–actualidadIngeniero de IA
De la ventana de chat a Claude Code
El equipo de datos de Truvi solo usaba la IA a través de una ventana de chat. Les enseñé a trabajar con Claude Code en sus propios ordenadores y a usarla en varias fases del desarrollo, no solo para preguntas puntuales.
Claude Code
Productividad
Talleres
fig. 10 — Un equipo, conectado.
El camino hasta ahora
De la física cuántica al ML en producción.
2026 –Truvi (Reino Unido, remoto)Científico de datos freelance
2024 – 2026Izertis (ES, remoto)Senior Data Scientist, Tecnologías Emergentes
2021 – 2024GfK (DE, remoto)Científico de datos
2019 – 2021UNNAX (Barcelona)Científico de datos
2018 – 2019AKKA Technologies (Toulouse)Consultor de data science
2017 – 2018Universidad de BarcelonaMáster en Fundamentos de Ciencia de Datos
2016300.000 km/sBecario de desarrollo Python
2013 – 2017Universidad de BarcelonaGrado en Física · coautor, Phys. Rev. A
fig. 11 — De 2013 hasta hoy, y una línea discontinua para lo que viene.
Hablemos
¿Algo que debería ir más rápido, ser más inteligente o ser automático?
Cuéntame el problema. Te diré honestamente qué se ajusta: machine learning, un flujo de trabajo con IA, o automatización simple sin IA, y qué haría falta para ponerlo en marcha.