Uses
Las herramientas con las que trabajo cada día
Un inventario honesto del stack con el que estudio y construyo mis proyectos de machine learning: del dato al modelo, del modelo a una API servida y de ahí a la monitorización. Con el porqué de cada elección, que es lo que de verdad cuesta aprender.
Lenguaje y machine learning
scikit-learn para tabular y PyTorch para deep learning. XGBoost y LightGBM cuando el gradient boosting merece la pena; la regresión logística gana más veces de las que se cree.
Aplicaciones con LLMs
Embeddings y recuperación con cita para RAG, agentes con herramientas acotadas, y Ollama para correr modelos abiertos en local. La evaluación del pipeline es parte del stack, no un extra.
Serving e infraestructura
El mismo pipeline que entrena es el que sirve. Pydantic valida la entrada para que un dato malo devuelva un 422 y no un score silenciosamente incorrecto.
Monitorización y datos
PSI contra un perfil de referencia para el drift, expuesto a Prometheus y pintado en Grafana. SQLite para demos y tests; PostgreSQL cuando hay algo serio que guardar.
Entorno de trabajo
uv para entornos y publicación de paquetes, ruff para no discutir de estilo conmigo mismo. Neovim para editar rápido, VS Code cuando toca depurar con calma.
Hardware
Una GPU de portátil de 4 GB enseña más de lo que parece: obliga a pensar en el tamaño del batch, en el checkpointing y en si de verdad hace falta entrenar eso o basta con un modelo más pequeño. gpu-gate, una de mis herramientas, nació de pelearme con ella.
Libros de cabecera
Estudio con libros antes que con cursos: aguantan mejor las preguntas difíciles. Cada concepto que leo intento aterrizarlo en un proyecto del porfolio.