Machine Learning Engineering
Diseño de flujos prácticos de machine learning, estrategias de evaluación e implementación que conectan datos, modelos, software y restricciones de despliegue.
Armando Anaya
Ingeniero de Inteligencia Artificial
Soy ingeniero de software y trabajo con machine learning, visión computacional, sistemas de IA aplicada, percepción robótica y software práctico con IA.
Sobre mí
Trabajo en la intersección entre ingeniería de software, machine learning y visión computacional. Mi enfoque no se limita a construir modelos, sino a convertir capacidades de inteligencia artificial en sistemas confiables que puedan integrarse en productos, flujos de trabajo y entornos de investigación reales.
Mi formación académica incluye estudios de posgrado en Ingeniería Computacional y Matemática por la Universitat Rovira i Virgili y en Inteligencia Artificial Aplicada por el Tecnológico de Monterrey. También participo en proyectos de visión computacional aplicada a robótica, donde las decisiones técnicas deben equilibrar desempeño del modelo, calidad de datos, arquitectura de software y restricciones del mundo real.
Trabajo
El hilo conductor es la IA aplicada: modelos, datos, software y las restricciones que aparecen cuando un sistema sale del notebook.
Visión Computacional
Construcción e integración de sistemas de visión computacional para clasificación, detección, inspección industrial, investigación aplicada y percepción robótica.
Software con IA Aplicada
Desarrollo de sistemas de software con IA donde los modelos forman parte de un producto, servicio, flujo de trabajo o proceso de apoyo a decisiones.
Robótica y Physical AI
Exploración de cómo la percepción, la simulación y los sistemas inteligentes se conectan con robótica, sistemas autónomos y entornos físicos reales.
Mi enfoque
Prefiero un trabajo de IA práctico y técnicamente fundamentado. Antes de construir un modelo, me enfoco en entender el problema, los datos, las restricciones y la forma en que la solución será utilizada.
En la mayoría de los proyectos, el objetivo no es usar el modelo más complejo disponible. El objetivo es construir un sistema útil, medible, mantenible y alineado con el contexto real donde va a operar.
-
Empezar por el problema, no por el modelo.
-
Validar supuestos desde el inicio.
-
Medir el desempeño con métricas significativas.
-
Diseñar para integración, no solo para experimentación.
-
Mantener la solución realista para los datos e infraestructura disponibles.