const developer = {
nombre: "Santiago Santos",
titulo: "Ingeniero Backend Python & IA",
experiencia: "4 años",
skills: ["Python", "LangChain", "Django"],
database: ["PostgreSQL", "Elasticsearch"],
ai_focus: ["RAG Agents", "Multimodal Vision"]
};
Ingeniero de Software especializado en el diseño de sistemas de alta disponibilidad y soluciones avanzadas de Inteligencia Artificial. Con casi 4 años de experiencia como Lead Developer, me enfoco en transformar datos masivos en herramientas accionables.
He liderado el desarrollo de sistemas industriales que procesan miles de mediciones diarias, integrando Agentes de IA especializados en RAG (Retrieval-Augmented Generation) y Visión Multimodal para análisis avanzado de datos. Mi experiencia incluye la arquitectura de sistemas de alta concurrencia con procesamiento asíncrono (Celery), optimización de bases de datos PostgreSQL y Elasticsearch, y desarrollo de APIs robustas. Stack principal: Python, Django, PostgreSQL, Elasticsearch, LangChain.
Tecnólogo en Informática
4 años en desarrollo
Inglés B2 (First)
Sistemas completos entregados a empresas, en uso diario por usuarios reales.
Plataforma de cumplimiento ambiental multi-tenant sobre Django 5, Ninja y Vue 3. Modela empresas, establecimientos, trámites y eventos —el vencimiento vive en el evento— con documentos e inspecciones asociadas; cada evento queda registrado con sus fechas, con alertas por email antes de cada vencimiento e historial de envíos, y antecedentes cronológicos por empresa armados en segundos. El tenant sale del usuario logueado, no de la URL.
Sistema web para gestión de tareas y proyectos con interfaz intuitiva. Desarrollado con PHP y sistema de plantillas Symfony para renderizado dinámico de vistas. Utilizado para la organización interna de una empresa de gran porte en Uruguay.
Módulos del mismo sistema de gestión, desarrollados para la empresa industrial donde trabajo.
Plataforma web para monitoreo en tiempo real de consumo eléctrico con sistema de alertas y dashboard interactivo. Procesa datos de más de 100 medidores donde se calculan los datos de facturación y tarifas dinámicas. Implementa procesamiento asíncrono con Celery para gestión de grandes volúmenes de datos.
Asistente conversacional sobre las series de monitoreo, en tres capas: Assistants API con el dataset que Django ya armó, una capa donde el agente corre afuera y Django es la frontera de permisos —Nginx valida la sesión y fija el X-User-Id—, y un agente LangChain que escribe la query de Elasticsearch y la valida contra los seriales permitidos. El tablero de MDP además manda cada variable a un análisis de anomalías y corre análisis diarios por variable que registran modelo, tokens y costo.
Sistema de monitoreo continuo de parámetros ambientales con datos en tiempo real. Desarrollado con Django REST Framework.
Integración con WhatsApp Cloud API sobre Celery, en dos caminos. Entrada: el webhook solo atiende números registrados en un perfil, acepta únicamente archivos CSV, pide confirmación cuando el usuario tiene un logger o deja elegir entre varios, descarta filas de más de cinco meses y evita duplicados por sensor y timestamp; al terminar informa filas cargadas, fallidas y salteadas. Salida: alertas disparadas y recuperadas por template, con logger, condición AND/OR y cada sensor con su comparador y valor.
Plataforma web para gestión integral de plantaciones forestales con análisis geoespacial. Desarrollada con Django y Vue.js, incluye planificación de tareas, reportes de productividad y gestión de recursos. Implementa API REST completa para integración con sistemas externos y visualización de mapas interactivos.
Un proceso Starlette descubre los tableros activos de cada usuario y los monta con importlib según el módulo cargado en el admin, con navbar y estilos compartidos y los datos saliendo de Elasticsearch. Incluye balance hídrico con capacidad de campo, umbral de riego y proyección a 7 días, tableros de planta y de operación por cliente, y el monitor interno de plataforma con métricas de GCP.
Generador de informes de visita sobre Django 5, Ninja y Vue 3, todavía en desarrollo: cada informe parte de una plantilla y la hoja queda editable. Las fotos se clasifican con un modelo YOLO local (Ultralytics, 224 px) entrenado sobre 20 clases de estación —anclaje, anemómetro, datalogger, panel solar, veleta— y abre la sección correspondiente; si la confianza baja de 0,35 la foto pasa a revisión manual. El export a PDF y Word ya funciona, y el entrenamiento de modelos propios (yolo11n/s/m-cls) está integrado detrás de un flag.
Estoy disponible para nuevos proyectos y oportunidades. No dudes en ponerte en contacto conmigo.
Paysandú, Uruguay