Río de Janeiro, Brasil · UTC−3 · Remoto o reubicación
Renan Sued
Senior AI Engineer · Solution Architect
Construyo software de producción: plataformas empresariales, agentes de IA y los equipos de ingeniería que los operan.
Entrego software desde 2014, de apps móviles a plataformas empresariales en Java y AWS. Hoy lidero equipos cuyas plataformas alcanzan más de 93,4 millones de usuarios activos en seis meses. Desde 2020 construyo agentes con LLM, guardrails, recuperación de información y revisión humana, en el trabajo y en BikerWay, mi propio producto.
whoami
Renan Sued
Senior AI Engineer · Solution Architect
Río de Janeiro, Brasil · UTC−3
abierto a remoto o reubicación
Impacto en ingeniería
Escala real, no adjetivos.
entregando software desde
2014
Unos 12 años, de apps móviles a plataformas empresariales.
usuarios activos en seis meses
93,4 M+
Usuarios activos en una ventana de seis meses en las plataformas empresariales que entregan los equipos que lidero.
equipos · ingenieros liderados
5 · 15
Equipos multidisciplinarios en Lumis, además de mentoría a ingenieros y arquitectos.
de transacciones diarias
Millones
A través de las APIs, servicios orientados a eventos y DXPs que diseñé.
sistemas de IA entregados en Lumis
4
Agentes de SDLC, agentes de automatización de procesos, un asistente con RAG, un agente de contenido.
trabajando con LLMs desde
2020
Modelos de Claude, OpenAI, Gemini y DeepSeek.
Lo que construyo
Seis tipos de sistemas, una forma de trabajar.
Sistemas de IA
Agentes y aplicaciones con LLM para cargas de trabajo reales: automatización del SDLC, agentes de automatización de procesos con protección contra prompt injection y un asistente con recuperación de información (ambos en producción), además de agentes de contenido con revisión humana.
GuardrailsRAGHuman-in-the-loopMCPSistemas Distribuidos
Servicios orientados a eventos y plataformas de alta disponibilidad para clientes financieros regulados, además de colas de eventos con ejecución garantizada y sin procesamiento duplicado.
Orientado a eventosAlta disponibilidadKafkaPythonPlataformas Backend
APIs en Java y Digital Experience Platforms llevadas del diseño al despliegue, procesando millones de transacciones diarias con seguridad y cumplimiento normativo desde el diseño.
JavaSpring BootREST APIsDXPInfraestructura en la Nube
Arquitectura cloud-native en AWS con infraestructura como código, contenedores y acceso de mínimo privilegio. Postgres gestionado, edge functions y serverless cuando encajan mejor con la restricción.
AWSIaCDockerSupabasePlataformas de Desarrollo
La maquinaria que permite a los equipos entregar: DevSecOps y LLMOps, CI/CD, quality gates, OpenTelemetry y agentes que llevan una tarea desde el inicio hasta staging.
CI/CDSonarQubeOpenTelemetryClaude CodeIngeniería de Producto
Productos de punta a punta: BikerWay en móvil, web, admin y datos; experimentación A/B y multivariante para plataformas de marketing; productos fintech en Sued Team, que fundé.
MobileWebExperimentación0 → 1
IA en producción
El modelo es solo una pieza. El sistema es el trabajo.
- Producción
- Funciona con usuarios reales o datos de producción
- En uso
- Herramienta interna que uso activamente
- Experimental
- Construido y probado, aún sin operación regular
- Planificado
- Diseñado y en el tablero, aún no construido
Un pipeline de seis pasos. Selecciona un paso para ver qué significa y dónde lo construí.
01 · intención y aprobación
Humano
Define el objetivo y asume el riesgo. Todo lo irreversible, pago o público espera un sí explícito.
Dónde lo he hecho
Agente de contenido con revisión humana (human-in-the-loop)
ProducciónUna puntuación de confianza decide qué elementos revisa una persona antes de publicar.
Aprobación obligatoria antes de cualquier ejecución paga
ProducciónLos pipelines de datos de BikerWay se detienen y piden aprobación por Telegram antes de trabajo pago o lento.
Puntos de control de riesgo reservados a humanos para el equipo de agentes
En usoMerge a main, migraciones en producción, primera llamada a una API paga y publicación pública siempre se detienen para mí.
Los conceptos, con respaldo
Orquestación de agentes
Un coordinador, varios especialistas de alcance acotado y reglas explícitas sobre quién decide cuando no coinciden.
Entrega AI-first en Lumis · equipo de agentes de BikerWay
Tool calling y MCP
Los agentes actúan mediante herramientas con credenciales limitadas, no con acceso libre.
Herramientas de Lumis · pipelines de BikerWay
Salidas estructuradas
La salida del modelo son datos con schema. Si no valida, no llega a producción.
Plataforma de datos de BikerWay
RAG
Chunking, embeddings y búsqueda vectorial detrás de un asistente que usan los clientes de un bufete de abogados.
Lumis · bufete de abogados multinacional
Flujos automatizados
Agentes que llevan una tarea desde el inicio hasta staging, o un contenido desde la búsqueda hasta la publicación.
Agentes de SDLC de Lumis · agente de contenido
Humano en el circuito
La confianza decide qué debe revisar una persona; los humanos aprueban todo lo pago, público o irreversible.
Agente de contenido de Lumis · aprobaciones de BikerWay
Observabilidad
Trazas, historial de ejecuciones y costo por llamada, para que el comportamiento de un agente pueda explicarse después.
OpenTelemetry en Lumis · ejecuciones de pipelines de BikerWay
Evaluación y quality gates
Puntuaciones calculadas con señales objetivas, con umbrales por dominio que deciden entre aprobación automática o revisión.
Capa de ingesta de BikerWay · agente de contenido de Lumis
Guardrails
Validación de entrada y salida y protección contra prompt injection. El contenido de terceros son datos, nunca instrucciones.
Agentes en producción en Lumis
Confiabilidad en producción
CI/CD, mínimo privilegio, presupuestos que fallan cerrados y aprobaciones antes de pasos pagos o riesgosos.
LLMOps en Lumis · runtime de BikerWay
Caso de estudio · BikerWay
Mi propio producto, construido como un sistema de producción.
El problema
Los motociclistas en Brasil planifican sus viajes en torno a preguntas que las apps de mapas genéricas no responden bien: en qué gasolineras, talleres y alojamientos se puede confiar, y qué carreteras valen la pena en moto. Los clubes y las salidas en grupo viven dispersos en grupos de mensajería. Ningún producto reunía el mapa y la comunidad.
El objetivo es algo como un PlugShare para motociclistas: un mapa compartido que la comunidad confirma, corrige y amplía, donde quien llega encuentra rutas y lugares útiles desde el primer día.
El producto
Caravanas en vivo
Salidas en grupo en un mapa en vivo. Una tarea nativa de ubicación en segundo plano mantiene la caravana visible con el teléfono en el bolsillo.
Rutas y lugares confiables
Rutas recomendadas, lugares relevantes para motociclistas (gasolineras, talleres, miradores), reseñas y un consenso de la comunidad sobre el precio del combustible.
Clubes
Clubes de motociclistas con rankings, territorios, reclutamiento y check-ins.
Eventos e invitaciones
Eventos y encuentros de clubes, con enlaces de invitación que abren la app o llevan a una página de descarga.
Garaje
Un garaje virtual con consumo de combustible, gastos e historial de mantenimiento por moto.
Bitácora de viajes
Un registro de salidas anteriores con distancia, duración, número de motos y fotos.
La IA dentro, con estado honesto
- Pipelines de descubrimiento de rutas y lugaresProducción
- Capa única de ingestaProducción
- Equipo de agentes de desarrolloEn uso
- Motor de marketing con IAExperimental
- Runtime de IA con control de costosExperimental
- Equipo de agentes de contenido (AG-0…AG-7)Planificado
Fuerza laboral de IA · mi tesis de trabajo
Agentes como una organización de ingeniería, con una persona sosteniendo las llaves.
El equipo de agentes de BikerWay, desde el fundador humano hasta los especialistas. Selecciona un agente para ver su rol.
Humano
Orquestación
tech-lead
En usoOrquestación
Lee la historia, elige a los especialistas relevantes, consolida sus posiciones en un plan y mantiene la documentación de arquitectura y el tablero fieles a la realidad.
Sintetiza cuando las posiciones convergen.
Arbitraje
Producto
Construcción
Calidad y riesgo
tech-lead
En usoOrquestación
Lee la historia, elige a los especialistas relevantes, consolida sus posiciones en un plan y mantiene la documentación de arquitectura y el tablero fieles a la realidad.
Sintetiza cuando las posiciones convergen.
Qué es esto, con honestidad
Esto no es una empresa autónoma. Los agentes no conversan entre sí en segundo plano y todavía nada se ejecuta de forma programada. Una sesión que abro invoca a cada especialista, recoge sus posiciones por escrito y aplica las reglas de arbitraje. El valor está en las restricciones: quién puede decidir qué, qué necesita a una persona y qué queda por escrito.
Cómo una historia se convierte en código
- 1
Historia. Escribo o actualizo la historia en el tablero.
- 2
Triaje. El tech lead decide qué especialistas son relevantes.
- 3
Consulta. Cada especialista entrega una posición breve por escrito: enfoque, riesgos, costo.
- 4
Converger o arbitrar. Acuerdo → un plan. Desacuerdo técnico → CTO. Desacuerdo de negocio → CEO. Vulnerabilidad → veto de seguridad.
- 5
Implementar. Los agentes de construcción ejecutan el plan único.
- 6
Verificar. QA ejecuta las suites y lista lo que aún necesita un dispositivo real.
- 7
Revisar. Seguridad (bloqueante) y legal revisan todo lo que involucra autenticación, datos personales o pagos.
- 8
Cerrar. El tablero se actualiza para reflejar la realidad, no las intenciones.
Puntos de control que siempre se detienen para una persona
- Merge a main / despliegue en producción
- Aplicar una migración de schema o RLS en producción
- La primera llamada a una API paga en una sesión, y cualquier lote grande
- Publicar cualquier cosa públicamente
- Usar un token personal o rotar credenciales
- Cambiar de proveedor de LLM en medio de una historia
El problema de diseño, dimensión por dimensión
- Producción
- Funciona con usuarios reales o datos de producción
- En uso
- Herramienta interna que uso activamente
- Experimental
- Construido y probado, aún sin operación regular
Responsabilidades
En usoUn rol por agente, escrito como definición versionada, con derechos de decisión explícitos.
Herramientas
En usoLa definición de cada rol lo limita a sus propios repositorios. Siguiente paso: agentes de contenido que actúan solo mediante un servidor MCP sobre una única capa de ingesta.
Permisos
ProducciónQuien verifica los permisos es la base de datos, no el prompt. Hoy hay una service account limitada por pipeline; una por agente de contenido está planificada.
Memoria
En usoUn repositorio de contexto compartido (arquitectura, checklist de schema, roadmap, registro de estado real) se carga en cada sesión, en todos los repositorios.
Flujos
En usoEl protocolo de consenso para construir; descubrir → enriquecer → puntuar → ingerir para los datos.
Evaluación
ProducciónConfianza calculada a partir de evidencias. Siguiente paso: tasa de aprobación por agente y costo por elemento aprobado en la cola de curaduría.
Aprobación humana
En usoPuntos de control para todo lo irreversible, pago o público; un mensaje de aprobación antes de cada ejecución paga de un pipeline.
Observabilidad
ProducciónHistorial de ejecuciones y pasos de cada pipeline; costo de tokens registrado por llamada.
Manejo de fallos
ExperimentalReanudación idempotente por estado, presupuestos que fallan cerrados y un interruptor de apagado por agente, planificado.
Siguiente capa: agentes de contenido en el flujo de datos de producción
PlanificadoUn equipo de agentes que mantiene vivo el catálogo de BikerWay. Cada uno tendrá su propia identidad y permisos en la base de datos, escribirá solo a través de la capa de ingesta compartida y enviará todo lo que esté por debajo de su umbral de confianza a una cola de curaduría humana.
- AG-0 Editor jefe
- AG-1 Lugares
- AG-2 Eventos
- AG-3 Rutas famosas
- AG-3B Rutas compuestas
- AG-4 Desafíos e insignias
- AG-5 Repuestos y manuales
- AG-6 Ofertas
- AG-7 Verificador
Experiencia
De entregar apps a liderar equipos de plataforma.
dic 2021 – actualidad · Rio de Janeiro
Solution Architect | Software AI-Systems Engineer · Lumis
Líder técnico de cinco equipos que construyen plataformas empresariales, y el ingeniero detrás de los sistemas de IA que las rodean.
Impacto
- Lidero 5 equipos de ingeniería (15 ingenieros) que entregan plataformas empresariales para más de 93,4 millones de usuarios activos en seis meses; doy mentoría a ingenieros y arquitectos; soy chapter leader de prácticas y herramientas.
- Diseñé APIs escalables, servicios orientados a eventos y varias Digital Experience Platforms, del diseño al despliegue, procesando millones de transacciones diarias.
- Lideré la ingeniería y la arquitectura para clientes críticos de banca y seguros: seguridad, cumplimiento normativo y alta disponibilidad para cargas reguladas.
- Diseñé agentes de desarrollo que automatizan el SDLC del equipo de punta a punta, desde el inicio de la tarea hasta la implementación, las pruebas y la entrega a staging.
- Construí y opero agentes de IA en producción para análisis de procesos y diseño de soluciones, con guardrails de LLM, validación de entrada y salida y protección contra prompt injection.
- Lideré la migración de WordPress → Java/Lumis XP de un bufete de abogados multinacional, incluido un asistente de IA en producción con bases de datos vectoriales, embeddings y chunking.
- Entregué un agente de contenido autónomo (buscar, generar, analizar, publicar) con puntuación de confianza y revisión humana.
- Establecí prácticas de DevSecOps y LLMOps: CI/CD, infraestructura como código, Docker, SonarQube, OpenTelemetry y acceso de mínimo privilegio.
Principales desafíos de ingeniería
- Hacer que la IA sea confiable para producción: validación, guardrails y revisión humana pensados desde el inicio.
- Requisitos de seguridad, cumplimiento normativo y disponibilidad de clientes financieros regulados.
- Llevar herramientas AI-first a cinco equipos sin fragmentar su forma de trabajar.
Tecnologías
JavaAWSCloud-nativeAgent orchestrationMCPVector databasesDockerIaCSonarQubeOpenTelemetryClaude CodeCursorLumis XPene 2017 – dic 2021 · Rio de Janeiro
Software Development Engineer · Lumis
Ingeniero full-stack que asumió el liderazgo técnico de una gran plataforma web de retail y de la modernización de DevOps del equipo.
Impacto
- Líder técnico de la plataforma web de un gran grupo brasileño de centros comerciales: aplicaciones corporativas sobre plataformas de experimentación de contenido con Java, React, Vue.js, AWS y SQL.
- Líder técnico de la modernización de DevOps (Git, Jenkins, Docker, SonarQube) y de la arquitectura orientada a eventos; automaticé pruebas A/B, auto-targeting y multivariantes para experimentos de marketing.
- Colas de eventos y procesamiento de archivos con Python y Kafka, con ejecución garantizada y sin procesamiento duplicado.
- Desarrollo full-stack con Java, JavaScript, Node, React, Redux, Lumis XP, jQuery y XSL.
Principales desafíos de ingeniería
- Introducir CI, contenedores y controles de calidad de código en un proceso de entrega que ya estaba en marcha.
- Automatizar experimentos de marketing: pruebas A/B, auto-targeting y multivariantes.
Tecnologías
JavaJavaScriptReactVue.jsNodePythonKafkaAWSSQLJenkinsDockerSonarQubejun 2015 – dic 2016 · Rio de Janeiro
Software Engineer · Fundador · Sued Team
Fundé el equipo y lideré la ingeniería de aplicaciones fintech empresariales.
Impacto
- Construí productos fintech de punta a punta con Java, Android, MVC, MySQL, Node y React.
- Gestioné 4 proyectos en los ámbitos militar, pet-tech y de investigación política.
Principales desafíos de ingeniería
- Ser responsable de un producto desde la primera línea de código hasta la entrega al cliente.
Tecnologías
JavaAndroidMySQLNodeReactene 2015 – dic 2016 · Rio de Janeiro
Software Engineer Mobile · Fluxo Consultoria UFRJ
Apps móviles con requisitos de seguridad y de reconocimiento.
Impacto
- App de evaluación de aptitud física militar para la FAB (Fuerza Aérea Brasileña): Android, Firebase, JWT, OAuth2 y criptografía personalizada.
- Reconocimiento automático de medicamentos en recetas con OCR (Tesseract).
Principales desafíos de ingeniería
- Requisitos de seguridad de un cliente militar en una plataforma móvil.
Tecnologías
AndroidFirebaseJWTOAuth2Tesseract OCRjun 2014 – dic 2016 · Rio de Janeiro
Software Engineer Fullstack · Sued Team
Donde todo empezó: apps para estudiantes y profesores.
Impacto
- Apps móviles y web para estudiantes y profesores de dos instituciones federales de educación pública (MySQL, PHP, push con GCM, Android, VPS Linux).
Principales desafíos de ingeniería
- Entregar y alojar apps reales para escuelas reales mientras todavía estudiaba.
Tecnologías
AndroidPHPMySQLGCMLinux
Formación y certificaciones
Ingeniería en Control y Automatización, PUC-Rio · 2024
Dominio adicional en Ingeniería de Software. Tesis: GADEMO Web, simulación y optimización evolutiva con algoritmos genéticos.
Diploma Técnico en Control, Robótica y Automatización, CEFET/RJ
Programa técnico de nivel secundario.
Google Generative AI Leader · Google Cloud · 2026
Certificación en IA generativa estratégica y aplicada.
Claude Certified Architect · Anthropic · en curso
Aún no obtenida.
2.º lugar, Hackathon de Sostenibilidad y Energía de PUC-Rio · 2018
Trabajos seleccionados
Problemas, decisiones y resultados.
- Beta
Mi producto · fundador e ingeniero líder
BikerWay
A los motociclistas les falta un mapa confiable y específico de rutas y lugares, y las herramientas para salidas en grupo y clubes están dispersas.
Enfoque, arquitectura, resultado y aprendizajes
- Enfoque
- Una app nativa sobre un backend compartido en Supabase, una plataforma de datos donde la IA propone elementos del catálogo bajo reglas y aprobación humana, y un equipo de agentes de Claude Code que refina y construye el roadmap.
- Arquitectura
- Cinco repositorios, un proyecto de Supabase, una capa de ingesta y aprobaciones antes de cualquier trabajo pago o irreversible.
- Tecnología
- Expo / React NativeTypeScriptSupabaseNext.jsViteZodn8nGemini · OpenAI · DeepSeekClaude Code
- Resultado
- App de Android en beta con testers reales; web app y panel de administración en producción; pipelines de IA escribiendo datos respaldados por evidencias en producción.
- Lo que aprendí
- Los bugs más difíciles entre repositorios vinieron de la falta de contexto compartido, no de tener muchos repositorios. El contexto es infraestructura.
Lumis · 2021 – actualidad
Sistemas de IA en Lumis
Los equipos de entrega y los clientes empresariales necesitaban IA que funcionara en producción, con validación, guardrails y revisión humana.
Agentes de desarrollo del SDLC
En uso- Problema
- Traspasos manuales entre tomar una tarea y entregarla a staging.
- Enfoque
- Agentes de desarrollo autónomos que cubren la implementación y las pruebas hasta la entrega a staging/homologación.
- Resultado
- Pasos manuales eliminados del camino de release; releases aceleradas.
Agentes de automatización de procesos
Producción- Problema
- Análisis de procesos y diseño de soluciones hechos a mano.
- Enfoque
- Agentes en producción con entrenamiento de agentes, guardrails de LLM, validación de entrada y salida y protección contra prompt injection.
- Resultado
- En producción, construidos y operados por mí.
Asistente para un bufete de abogados multinacional
Producción- Problema
- Una plataforma en WordPress que tenía que escalar, y un asistente orientado a clientes sobre ella.
- Enfoque
- Migración a Java / Lumis XP a escala; recuperación de información con bases de datos vectoriales, embeddings y chunking.
- Resultado
- Asistente de IA en producción para casos de uso orientados a clientes.
Agente de contenido autónomo
- Problema
- Registrar contenido en plataformas emergentes.
- Enfoque
- Buscar → generar → analizar → publicar, con una puntuación de confianza que decide cuándo revisa una persona.
- Resultado
- Entregado con revisión humana en el circuito.
Tecnología, resultado y aprendizajes
- Tecnología
- AI agentsAgent orchestrationMCPVector databasesEmbeddingsLLM guardrailsJavaAWS
- Resultado
- Cuatro sistemas de IA entregados; dos de ellos funcionan en producción.
- Lo que aprendí
- En IA de producción, los caminos de validación y revisión requieren más diseño que el prompt.
- Producción
Lumis · clientes de banca y seguros
Plataformas reguladas y DXPs
Los clientes críticos de banca y seguros necesitan plataformas seguras, conformes a la normativa y siempre disponibles.
Enfoque, arquitectura, resultado y aprendizajes
- Enfoque
- APIs escalables, servicios orientados a eventos y Digital Experience Platforms, diseñados y llevados al despliegue, con prácticas de DevSecOps y acceso de mínimo privilegio.
- Arquitectura
- Servicios cloud-native en AWS; integración orientada a eventos; CI/CD con controles de calidad y seguridad.
- Tecnología
- JavaAWSEvent-driven architectureDockerSonarQubeIaCOpenTelemetry
- Resultado
- Millones de transacciones diarias con alta disponibilidad, rendimiento y seguridad para cargas reguladas.
- Lo que aprendí
- En sistemas regulados, el cumplimiento normativo es un insumo de la arquitectura, no un paso de revisión al final.
Código abierto · Java
Rate limiter distribuido
Aplicar un límite de frecuencia global en una flota de servidores sin una llamada de red en cada solicitud.
Enfoque, arquitectura, resultado y aprendizajes
- Enfoque
- Contadores particionados por clave en un almacén clave-valor distribuido, lotes locales enviados a intervalos y decisiones no bloqueantes a partir del último conteo global conocido más los incrementos locales pendientes.
- Arquitectura
- Abstracción del almacén, política de reintentos y circuit breaker para fallos del almacén, publicadores de métricas intercambiables (Prometheus, CloudWatch).
- Tecnología
- JavaCompletableFuturePrometheusAWS CloudWatchMaven
- Resultado
- Repositorio público con una API tipo builder, un almacén simulado para pruebas y compromisos operativos documentados.
- Lo que aprendí
- Elegir consistencia eventual a cambio de latencia es una decisión de producto. El margen de error debe ser explícito y observable.
FAB (Fuerza Aérea Brasileña) · a través de Fluxo Consultoria UFRJ
App de evaluación física militar
Una app móvil de evaluación de aptitud física para la Fuerza Aérea Brasileña.
Enfoque, arquitectura, resultado y aprendizajes
- Enfoque
- App nativa de Android con Firebase, autenticación por token (JWT, OAuth2) y criptografía personalizada.
- Tecnología
- AndroidFirebaseJWTOAuth2Criptografía
- Resultado
- App móvil entregada a la Fuerza Aérea Brasileña.
- Lo que aprendí
- Los requisitos de seguridad definen el modelo de datos desde el primer día, no el checklist de release.
Tesis de Ingeniería · PUC-Rio · 2024
GADEMO Web
Simulación y optimización evolutiva con algoritmos genéticos, una de las bases del aprendizaje automático.
Enfoque, arquitectura, resultado y aprendizajes
- Enfoque
- Un enfoque computacional para simular algoritmos genéticos y optimización evolutiva, presentado como mi tesis de ingeniería.
- Tecnología
- Algoritmos genéticosOptimización evolutivaSimulación
- Resultado
- Tesis de grado en Ingeniería, PUC-Rio.
- Lo que aprendí
- La optimización es búsqueda bajo restricciones, el mismo enfoque que uso hoy en los flujos de agentes.
Stack de ingeniería
Profundidad antes que logos.
Lenguajes
Java en una década de trabajo empresarial, TypeScript en todo BikerWay.
- Java
- TypeScript
- Python
- JavaScript
- SQL
- Kotlin
- Go
Backend
APIs y plataformas hechas para sostener productos de los que otras personas dependen.
- REST APIs
- Node.js
- Lumis XP (DXP)
- Edge Functions
- Spring Boot
- Hibernate / JPA
IA
Agentes y apps con LLM, con las piezas que los hacen seguros de operar.
- Agentes de IA
- Orquestación de agentes
- MCP
- RAG · embeddings · chunking
- Guardrails
- Defensa contra prompt injection
- Human-in-the-loop
- Salidas estructuradas (Zod)
- LLMOps
- Claude Code · Cursor
- Claude · OpenAI · Gemini · DeepSeek
- pgvector · Pinecone · Chroma
- LangChain
Cloud
AWS en lo empresarial; Postgres gestionado y plataformas edge cuando el presupuesto es la restricción.
- AWS
- Supabase
- Vercel
- Firebase
- Serverless / Lambda
- Azure
- Cloudflare
Infraestructura
Pipelines que convierten el camino seguro en el camino por defecto.
- Docker
- Infraestructura como código
- CI/CD
- Jenkins
- SonarQube
- DevSecOps
- Kubernetes
- Terraform
- GitLab CI
Datos
Eventos, datos relacionales y la procedencia que los mantiene confiables.
- Kafka
- Postgres + RLS
- MySQL
- Bases de datos vectoriales
- OpenStreetMap · Google Places
- Elasticsearch
- NoSQL
Observabilidad
Si un agente hizo algo, quiero poder explicar por qué.
- OpenTelemetry
- PostHog
- Sentry
- Trazabilidad de ejecuciones
- Prometheus
- Grafana
- Datadog
Arquitectura
Patrones elegidos por la restricción, no por el currículum.
- Arquitectura orientada a eventos
- Cloud-native
- Alta disponibilidad
- Digital Experience Platforms
- Experimentación (A/B, multivariante)
- Microservicios
- Sistemas distribuidos
Cómo pienso
Principios con los que construyo.
- 01
Construye sistemas, no demos.
Una demo responde "¿funciona?". Un sistema también responde "¿qué pasa cuando no funciona?". Guardrails, validación, observabilidad y rollback llegan con la funcionalidad, no después.
de: Agentes en producción en Lumis
- 02
La IA es un problema de ingeniería, no solo un prompt.
Schemas, recuperación de información, evaluación, permisos y costo importan más que la redacción de un prompt cuando usuarios reales dependen de la respuesta.
de: Asistente con RAG · plataforma de datos de BikerWay
- 03
La IA propone, las reglas deciden, las personas curan.
El modelo sugiere. Una puntuación determinista construida a partir de evidencias decide qué es seguro publicar, y una persona revisa el resto. El modelo nunca aprueba su propio trabajo.
de: Diseño de agentes de BikerWay
- 04
El contenido de terceros son datos, no instrucciones.
Todo lo que un agente lee del mundo exterior puede ser hostil. La protección contra prompt injection pertenece a la arquitectura, aplicada donde el prompt no puede anularla.
de: Guardrails en Lumis · ingesta de BikerWay
- 05
La arquitectura existe para resolver restricciones.
En el sector financiero regulado, disponibilidad y cumplimiento normativo eran los insumos. Con un presupuesto mensual fijo, los planes gratuitos y un gasto de IA que falla cerrado pasaron a ser los insumos. La misma disciplina, restricciones distintas.
de: Plataformas de banca y seguros · BikerWay
- 06
La automatización necesita procedencia y un interruptor de apagado.
Toda escritura automatizada debe indicar quién la hizo, con qué evidencia, y poder detenerse sin un despliegue. Eso es lo que convierte la automatización en algo en lo que un equipo realmente puede confiar.
de: Capa de ingesta de BikerWay
Fuera del trabajo
Me gusta construir cosas que se mueven.
Motos
Andar en moto, y construir BikerWay para otros motociclistas.
Ferrocarriles
Sistemas grandes, con horarios y seguridad crítica, en movimiento en tiempo real.
Electrónica e IoT
Sensores, microcontroladores y la frontera entre hardware y código.
Viajes
Nuevos lugares, nuevas restricciones y una razón para planificar rutas.
Contacto
¿Tienes un problema difícil de ingeniería?Hablemos.
Río de Janeiro, Brasil · UTC−3 · Remoto o reubicación. Abierto a roles de AI Engineer, Applied AI, Forward Deployed, AI Platform y Staff / Senior Backend.