Con Qué Trabajo
Experiencia
Pasante de Ingeniero de IA
Mayo 2025 - Agosto 2025
Estados Unidos
Investigación sobre el rendimiento y la aplicabilidad de LLMs en el asesoramiento de inversiones y gestión de patrimonios.
Becario Ingeniero ML
Junio 2023 - Agosto 2023
India
Desarrollé modelos de aprendizaje profundo para la predicción de acciones financieras y visualización de datos en tiempo real.
Becario de Investigación ML
Sept 2021 - Nov 2021
India
Construí y optimicé canalizaciones de ML para la predicción de costos de reclamaciones de seguros y procesamiento de big data.
Becario de Análisis SEO
Feb 2020 - Marzo 2020
India
Gestioné estrategias de publicidad digital para optimizar conversiones para cursos educativos.
Colaborador de Código Abierto
Jun 2024 - Ahora
Intento contribuir activamente al Código Abierto en mi GitHub
Proyectos
Hugo Noir
Un tema limpio y minimalista para Hugo enfocado en la legibilidad, simplicidad y soporte multilingüe.
Aprende Más
Sistema de Respuesta a Emergencias de Viaje
Un sofisticado sistema multi-agente que aprovecha la arquitectura Swarm de LangGraph, LangSmith y OpenAI para coordinar asistencia de viaje de emergencia a través de agentes especializados de IA. Presenta colaboración multi-agente, monitoreo en tiempo real y arquitectura modular.
Aprende MásBlogs
2025-09-07
La Atención No Es Todo Lo Que Necesitas. Es Cómo La Necesitas.
Jet-Nemotron repiensa la IA usando atención solo cuando es necesario, aumentando dramáticamente la velocidad y precisión comparado con modelos tradicionales de atención completa.
2025-08-23
¿Son innecesariamente grandes los LLM? Compresión extrema de LLMs usando redes tensoriales inspiradas en la mecánica cuántica
Presenta un nuevo enfoque llamado CompactifAI de Multiverse Computing, que utiliza redes tensoriales inspiradas en la mecánica cuántica para comprimir drásticamente los LLMs con una pérdida mínima de precisión.
2025-08-16
Cómo los Modelos de IA se Entrenan en Datos Privados Sin Acceder a Ellos: Aprendizaje Federado Explicado
El Aprendizaje Federado (FL) permite que los modelos de IA se entrenen en datos distribuidos sin centralizar información sensible. En lugar de recopilar datos en una ubicación, FL envía copias del modelo a dispositivos locales donde se entrenan con datos privados.