De UNICAMP a MercadoLibre
En 2014 estaba en Campinas, Brasil, modelando robots con controladores PID y aprendiendo teoría de control en UNICAMP. A las 2 AM de un martes, debuggeando por qué un robot seguía chocando contra la pared, descubrí que el problema no era el algoritmo — era que no estaba modelando la dinámica correcta. Esa lección sigue conmigo: los sistemas fallan en los límites, no en el promedio.
En 2026 lidero sistemas de Machine Learning para Display Ads en MercadoLibre. El scope es billones de impresiones diarias, latencia medida en milisegundos, y presupuestos que se miden en millones de dólares. Pero el mindset es el mismo: modelar la dinámica del sistema, encontrar los límites, y diseñar feedback loops que no se desestabilicen cuando escala.
Este sitio es lo que aprendí en el medio.
Lo que hago
Staff ML Engineer @ MercadoLibre
Lidero sistemas de ML para Display Ads: bidding, pacing, attribution, y GenAI. No modelos en notebooks — sistemas que corren en producción, fallan graceful, y generan revenue.
PhD en Optimización de Sistemas (UNICAMP)
Control theory, neuroevolution, sistemas dinámicos aplicados a optimización. Mi tesis fue sobre metodologías de optimización basadas en IA, ciencia de datos e Industria 4.0. Trabajé con hospitales y sistemas de energía. Todavía aplico ese marco mental a problemas de ML.
Lo que escribo
La mayoría del contenido de ML en español es tutoriales de Jupyter que no escalan. Lo que NO encontrás: cómo diseñar un sistema de ML que no se caiga en producción, cómo pasar de Senior a Staff sin dejar de codear, cómo aplicar teoría de control a problemas de ML real.
ML en Producción — Arquitecturas que escalan, no tutoriales de Jupyter.
De Senior a Staff — El mindset que nadie te enseñó.
Control Theory para ML — Lo que la academia me dio y la industria necesita.
LATAM Tech — La realidad de hacer ML a escala desde la región.
Newsletter
“Más Allá del Notebook” — Una historia semanal sobre ML en producción. Sin relleno.
Contacto
- 💻 GitHub
- 📬 Newsletter