$ whoami

Aldair Cortés

Ingeniero de plataformas de datos y ML

Llevo datos y modelos a producción, y me aseguro de que se queden ahí.

Construyo plataformas de datos y sistemas de ML que corren en producción, y lidero a los equipos que los mantienen sanos. Pipelines, infraestructura en la nube, estándares de ingeniería y, de vez en cuando, algún teclado mecánico.

Desde México · trabajo en español e inglés

Dataplataformas y pipelines que sobreviven a los lunes
MLdel notebook a producción, con pruebas
OpsCI/CD, IaC y monitoreo en GCP, Azure y Databricks
Peopleestándares, code reviews y mentoría

## casos

Casos de estudio

Sistemas reales, contados sin las partes confidenciales. Los logs se quedan donde están.

Una plataforma de ML en Databricks

CEMEX Global Data Science · 2022 – hoy

Problema
Los modelos se desplegaban a mano, cerca de una hora cada uno, y cada modelo tenía su propio endpoint.
Qué hice
Diseñé un estándar de ciclo de vida de ML en Databricks: CI/CD automatizado, pipelines con MLflow, despliegues que se actualizan solos y monitoreo de infraestructura y de drift del modelo. Lo desplegué en 4 proyectos productivos.
Resultados
  • 67% más rápido: 60 minutos de trabajo manual pasaron a un pipeline automático de 20.
  • 70% menos costo de inferencia al enrutar un solo endpoint hacia el modelo que cada petición necesita.
  • Monitoreo de infraestructura y de desempeño de modelos en los 4 proyectos.
  • Databricks
  • MLflow
  • PySpark
  • Asset Bundles
  • Lakeflow
  • CI/CD

Una Customer Data Platform desde cero

El Puerto de Liverpool · 2022

Problema
Una cadena de tiendas necesitaba su primera Customer Data Platform en producción, construida desde cero.
Qué hice
Lideré el lanzamiento: 4 microservicios en Java/Spring Boot, una capa de acceso a datos y pipelines batch y streaming en GCP, aprovisionados con Terraform. La ingesta en tiempo real corría sobre Pub/Sub, Cloud Functions hacía el match de datos y Cloud Run ejecutaba los pipelines que desplegaban las actualizaciones.
Resultados
  • 75% menos costo en Cloud SQL (de 60 a 6 vCPUs) afinando consultas, procedimientos almacenados y código de Apache Beam.
  • Observabilidad de servicios, pipelines y bases de datos que redujo el tiempo para detectar problemas de desempeño.
  • Dashboards de Looker casi en tiempo real con ventas diarias y volumen de tickets a nivel nacional.
  • GCP
  • BigQuery
  • Dataflow
  • Pub/Sub
  • Cloud Run
  • Terraform
  • Java

De R a Python, en cuatro países

CEMEX · servicios de cadena de suministro

Problema
Cinco servicios críticos de cadena de suministro escritos en R tenían que convertirse en software de producción mantenible.
Qué hice
Lideré la migración a Python y FastAPI, con despliegue y monitoreo en Azure en EE. UU., México, Colombia y Reino Unido. También fui responsable del algoritmo de despacho detrás de la logística de entrega de concreto.
Resultados
  • 50% de mejora en tiempo de respuesta de los servicios migrados.
  • El despacho responde en menos de 5 segundos, con menos validaciones manuales y visibilidad de inventario en tiempo real.
  • Migré DAGs de Airflow de Cloud Composer 1 a 2.
  • Python
  • FastAPI
  • Azure
  • Airflow
  • Cloud Composer

Estándares de ingeniería, humanos y de IA

Liderazgo técnico · 30 ingenieros

Problema
El trabajo de ciencia de datos necesitaba el mismo rigor que el software, y los asistentes de IA también necesitaban reglas.
Qué hice
Lideré el Testing Learning Path, definí estándares de MLOps y plantillas de código, y establecí cómo trabaja el equipo con GitHub Copilot y Claude Code: mejor ingeniería de contexto y menor consumo de créditos de IA.
Resultados
  • Cobertura de pruebas de 0% a 70%+ en 14 proyectos de ciencia de datos.
  • Dos personas que mentoré fueron contratadas como ML engineers junior.
  • Co-organizador de la Mesa de Arquitectura, un comité interno con su propio currículo de Python y patrones de diseño.
  • Pytest
  • CI
  • Copilot
  • Claude Code
  • SOLID
  • DDD

## proyectos

Proyectos públicos

Material de enseñanza, investigación, datos geográficos y hardware que no pude dejar pasar.

Manual práctico de CKAN

Manual práctico en cuatro partes para publicar datos abiertos con CKAN: instalación con Docker Compose, FileStore y DataStore, la API y un flujo completo de los datos al portal.

  • CKAN
  • Docker
  • Datos abiertos

// docker compose up && ojalá

Guía de gobierno de datos

Una política integrada de datos (calidad, clasificación, acceso) para una empresa de ejemplo, más un manual que la convierte en configuración reproducible de OpenMetadata: etiquetas, RBAC, pruebas de calidad y linaje.

  • Gobierno de datos
  • OpenMetadata
  • RBAC

// política como código, sin el drama

Guía de SQL con ejercicios

De consultas básicas sobre un dataset de pedidos de clientes a índices, planes de consulta, permisos y respaldos en PostgreSQL.

  • SQL
  • PostgreSQL

// SELECT * FROM paciencia;

Interpretabilidad con KAN

Mi investigación de maestría en el IPN sobre Redes Kolmogorov-Arnold y la interpretabilidad de redes neuronales. Tesis en curso; estos son los forks relacionados.

  • KAN
  • Interpretabilidad
  • Investigación

// interpretable, a diferencia de mis commits

Predicción de interacciones entre fármacos

Artículo de un curso de aprendizaje automático con grafos que reproduce DPDDI, un predictor profundo de interacciones entre fármacos. Escrito en LaTeX en el CIC-IPN.

  • ML en grafos
  • LaTeX

// revisión por pares, pero en notebook

Optimización inspirada en humanos

Implementación en Python del Social Algorithm probada con funciones de referencia, con análisis de convergencia y diversidad sobre ejecuciones repetidas.

  • Python
  • Optimización

// converge. eventualmente.

Robots de caminata aleatoria

Simulación y análisis de caminatas aleatorias con PyGame para un curso de series de tiempo en el CIC-IPN, hecho con un compañero.

  • Python
  • PyGame
  • Series de tiempo

// hecho con cafeína y prisa (lo dice el README)

Notebooks de cursos

Notebooks de reconocimiento de patrones y aprendizaje profundo de mis cursos de maestría: regresión logística, SVM, retropropagación y aprendizaje profundo en grafos.

  • Notebooks
  • Deep learning

// la pérdida baja, casi siempre

Puntos en polígonos sobre un mapa de México

Automatiza el conteo de puntos que caen dentro de polígonos con GeoPandas y los dibuja en un mapa de Bokeh. Hecho para analizar cobertura de radiodifusión.

  • GeoPandas
  • Bokeh
  • GIS

// por fin, un uso para tantos shapefiles

Telemetría para CanSat

Telemetría a bordo con Arduino, Xbee y un sensor GY-80, más una estación terrena en Python con OpenGL, pygame y Matplotlib.

  • Arduino
  • Xbee
  • Python

// mi primer deploy llegó al espacio (más o menos)

Abogabot: del requerimiento a la interfaz

Una plantilla para llevar un requerimiento de software desde el documento de entendimiento hasta historias de usuario, diagramas de flujo, UML y diseño de interfaz, ilustrada con una plataforma de gestión de casos para un despacho de abogados.

  • Requerimientos
  • UML
  • UX

// objeción: el alcance crece

React Tetris

Tetris en React, de 2019.

  • React
  • JavaScript

// game over

## teclados

Nerd de teclados mecánicos

Diagnóstico: crónico. Tratamiento: un teclado más.

Cuando no estoy moviendo datos, probablemente estoy moviendo switches. Traduje al español el README, la lista de materiales y la guía de ensamble de Lumberjack, para que más gente pueda soldar su propia placa.

Lumberjack es una PCB ortolineal 60% de componentes through-hole diseñada por Paul James. Todo through-hole, sin soldadura SMD, y funciona en cases 60% estándar de tipo tray mount. El diseño es suyo; la versión en español es mía.

  • Through-hole
  • Ortolineal 60%
  • KiCad
  • Switches MX

// En mi GitHub también hay un fork del firmware QMK, porque claro que sí.

$ ls ~/teclados

  • LumberjackOrtolineal 60%, through-hole, el que traduje.
  • HHKB Hybrid Type-STopre, silencioso, 60 teclas. El que empezó las discusiones.
  • Lily58 ProSplit, 58 teclas. Técnicamente menos de 60%, lo cual solo ayuda a la causa.
  • DisciplineUn 65% con componentes through-hole. El nombre es irónico.
  • Rainy 75 ProUn 75%. De la Rainy no se habla.

// Postura oficial: el mejor teclado es un 60%. Las flechas viven en una capa, y una capa es un estado mental.

## lecciones

Lecciones aprendidas

Dos lecciones que aprendí por las malas, para que tú te saltes lo difícil. O al menos asientas con conocimiento de causa.

Empieza simple. Usa lo nativo. Gánate el framework.

Más de una vez recurrí al framework grande antes de que el problema se lo ganara, y lo pagué en configuración, actualizaciones y onboarding. La complejidad es un préstamo, y los intereses aparecen en cada sprint. La sobreingeniería se siente como diligencia mientras la haces.

Reglas que sigo ahora

  • Empieza con lo que la plataforma ya te da: SQL simple, la biblioteca estándar, APIs nativas del navegador, un script y un scheduler.
  • Demuestra el valor con la versión simple primero. Agrega un framework solo cuando un dolor específico y medible lo pida.
  • Si una funcionalidad necesita un diagrama para justificar su existencia, pregunta si necesita existir.
$ ls node_modules
ls: cannot access 'node_modules': No such file or directory
# este sitio, a propósito

Si no está documentado, no existe.

La víctima más frecuente de mis decisiones sin documentar es mi yo del futuro, que abre un archivo y pregunta quién escribió esto. El conocimiento que vive en una sola cabeza es un punto único de falla, y esa cabeza además se va de vacaciones.

Reglas que sigo ahora

  • Escribe el porqué, no solo el cómo: la decisión, los trade-offs y lo que se descartó.
  • Mantén la documentación junto al código (README, registros de decisiones, runbooks) para que cambie en el mismo pull request.
  • Una tarea está terminada cuando otra persona puede ejecutarla sin preguntarme.
$ git blame
yo-del-futuro: ¿quién escribió esto?
git: tú.

## enseñanza

Enseñanza y comunidad

Me gusta cuando los pipelines de los demás dejan de romperse.

Instructor privado

Bases de datos, gobierno de datos y Python para instituciones de gobierno. Los materiales de CKAN, SQL y gobierno de datos de arriba son la versión abierta de ese trabajo.

Mesa de Arquitectura

Co-organizador de un comité interno de arquitectura. Escribí un currículo de introducción a Python (Clean Code, POO, SOLID, patrones de diseño) y una ruta de 16 temas que cubre DDD, arquitectura hexagonal, mensajería, RAG, orquestación multiagente y evaluación de LLM.

Mentoría

Code reviews, pair programming y sesiones de mentoría para ingenieros junior y científicos de datos. Dos personas que mentoré fueron contratadas como ML engineers junior.

## stack

Herramientas a las que recurro

Lenguajes

  • Python
  • SQL
  • PySpark
  • Java
  • R
  • Shell

Datos

  • Apache Beam
  • Airflow
  • Databricks
  • Spark
  • BigQuery
  • PostgreSQL / PostGIS
  • Snowflake

Nube

  • GCP
  • Azure
  • Terraform
  • Docker
  • Kubernetes
  • CI/CD

ML e IA

  • MLflow
  • XGBoost
  • Prophet
  • Azure OpenAI
  • Gemini
  • MCP
  • GitHub Copilot
  • Claude Code

Backend

  • FastAPI
  • Spring Boot
  • Flask
  • Django
  • Looker

## contacto

Hablemos

Plataformas de datos, MLOps o teclados mecánicos. Contesto los tres.