Saltar al contenido

Hola, soy Enmanuel Cuadros

De los datos desordenados del cliente a IA en producción

Trabajo directo con los datos del cliente: rastreo problemas hasta la fuente, demuestro cada solución con números y llevo la IA a donde están los usuarios.

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
Offline AI Tutor (Gemma 4): Students (Basic phones, Local WiFi) → Edge server (Web UI, FastAPI) → Agent (Google ADK, Gemma 4, Gemini API) → Knowledge (PyMuPDF, SQLite, TF-IDF search)Students
Basic phonesbrowser, no data
Local WiFischool intranet
Edge server
Web UIno CDN, works offline
FastAPIREST API
Agent
Google ADKagent + tools
Gemma 4local via Ollama
Gemini APIoptional cloud mode
Knowledge
PyMuPDFMINEDU materials
SQLitechunks, chats
TF-IDF searchRAG, scikit-learn

Resultados medibles

de registros afectados recuperados tras un cambio de identificadores
96–97%
de registros afectados recuperados tras un cambio de identificadores
filas comparadas fila por fila en una migración de 70 pipelines
172.9M
filas comparadas fila por fila en una migración de 70 pipelines
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

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
02

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 estudio
03

Casos de Incidentes de Datos

Coincidencia recuperada de 57% a 98%, una sobreestimación de ingresos de 15% corregida y 5 controles reutilizables.

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