Saltar al contenido

Hola, soy Enmanuel Cuadros

Data & AI Engineer

Construyo extracción con LLM, RAG y flujos con agentes sobre datos confiables, y los mido con evaluaciones en vez de confiar en la salida.

Ver Proyectos Descargar CV Contáctame
Enmanuel Cuadros — Senior Data Engineer, retrato profesional

Lima, Perú · Trabajo remoto con equipos de EE. UU. y sus zonas horarias

Arquitectura en vivo

Leer caso de estudio
Enterprise RAG Platform: Ingestion (Doc loaders, Recursive split, Embeddings) → Indexes (ChromaDB, BM25 index, Embed cache) → Answer (Hybrid retriever, LLM service, FastAPI) → Quality (Ragas evals, Prometheus, JSON logs)Ingestion
Doc loadersPDF, DOCX, TXT
Recursive splitsemantic chunks
EmbeddingsOpenAI, Groq, localIndexes
ChromaDBvector search
BM25 indexkeyword search
Embed cachememory + diskAnswer
Hybrid retrieverRRF, k = 60
LLM serviceOpenAI / Groq
FastAPIREST + docsQuality
Ragas evals3 quality metrics
PrometheusAPI metrics
JSON logscorrelation IDs

Resultados medibles

filas comparadas fila por fila en una migración de 70 pipelines
172.9M
filas comparadas fila por fila en una migración de 70 pipelines
de registros afectados recuperados tras un cambio de identificadores
96–97%
de registros afectados recuperados tras un cambio de identificadores
segmentos de audiencia sincronizados cada semana con una API de anuncios, sin duplicados
51
segmentos de audiencia sincronizados cada semana con una API de anuncios, sin duplicados
años diagnosticando y resolviendo problemas de datos
~6
años diagnosticando y resolviendo problemas de datos
01

Extracción con LLM y Evaluaciones: Saber Cuándo Confiar

Muestra por qué la precisión por campo engaña: una línea base con regex acierta el 86% de los campos pero solo el 25% de los documentos.

Leer caso de estudio02

Plataforma RAG y LLM Empresarial

Pipeline completo de gestión del conocimiento con seguimiento de métricas, monitoreo de rendimiento y versionado de modelos

Leer caso de estudio03

Tutor IA Offline con Gemma 4 para el Perú Rural

Proyecto para la competencia Build with Gemma de GDG Lima (track Local AI & Edge): IA desplegada donde está el usuario, sin depender de conectividad

Leer caso de estudio

Experiencia Técnica

Calidad de datos, stack moderno de datos y extracción con LLM validada con evaluaciones

Stack de Programación y ML

Python
Primary language for data engineering, ML, and ETL pipelines
SQL
Advanced querying, optimization, and database design
Scala
Functional programming for Spark applications
PySpark
Distributed data processing at scale
Pandas
Data manipulation and analysis
NumPy
Numerical computing and array operations
scikit-learn
Machine learning algorithms and model training
TensorFlow
Deep learning and neural networks
PyTorch
Research-focused deep learning framework
Jupyter
Interactive development and data exploration

Ingeniería de Datos y Big Data

Apache Spark
Distributed computing for big data processing
Apache Airflow
Workflow orchestration and scheduling
Kafka
Real-time streaming data pipelines
dbt
Data transformation and analytics engineering
Databricks
Lakehouse platform for scalable ETL & ML pipelines
BigQuery
Serverless data warehouse for analytics
Snowflake
Cloud data platform for data warehousing
Delta Lake
ACID transactions for data lakes
MLflow
ML lifecycle management and experiment tracking

Cloud y DevOps

Google Cloud
BigQuery, Cloud Storage, Cloud Functions, Composer
Microsoft Azure
Data Factory, Data Lake, Synapse, ML, Fabric
AWS
S3, EMR, Lambda, Glue, Redshift
Docker
Containerization for consistent deployments
Kubernetes
Container orchestration at scale
Git
Version control and collaborative development
CI/CD
Automated testing and deployment pipelines

BI y Analytics

Power BI
Interactive dashboards and business intelligence
Tableau
Data visualization and analytics
Looker
Modern business intelligence platform