
Ezequiel Garibotto
Desarrollador Junior Full-Stack de IA Aplicada | AI Engineering, Backend & Datos
Creé en solitario ProString Manage, un SaaS en producción
Barcelona, España · Abierto a España, UE y remoto
Applied AI: IA dentro de un producto.
Ámbito: desde la llamada al LLM hasta la interfaz que usa el cliente final. Incluye flujos de trabajo agénticos: cadenas de llamadas a LLM que automatizan una tarea.
Ejemplos de mis proyectos:
• Facts: resúmenes de noticias neutrales generados con LLM dentro de una app Android
• Chatbot de carrito de compra con LangGraph: reconocimiento de intención, estado de la conversación y validaciónAI Engineering: trabajar en los modelos y sistemas que hay detrás de las funciones de IA, no solo usarlos en un producto.
Ámbito: más amplio que Applied AI. Según la empresa, llega también a la infraestructura (MLOps) o al ajuste fino de modelos.
Ejemplos de mis proyectos:
• AI & Big Data: CNNs con Keras y PyTorch
• Modelos de precios de vivienda (Random Forest, XGBoost, grid search) servidos con una API Flask
• Facts: pipeline de embeddings y clustering semántico sobre más de 10 feeds de noticiasAgentic Development: usar agentes de IA (planner, subagentes, skills, servidores MCP) para construir software.
Forma parte de Applied AI y del desarrollo asistido por IA. No es lo mismo que construir sistemas de agentes (Agentic AI).
Ejemplos de mis proyectos:
• ProString: agent harness propio con subagentes, skills, hooks y memoria persistente
• 7 servidores MCP con acceso de mínimo privilegio (Supabase, GitHub, Stripe, Context7, Chrome DevTools, Hostinger, Laravel Boost)
• Informes de coste de tokens por cada puerta de release
• Análisis de competencia asistido por LLM que alimenta la hoja de rutaData Engineering: dejar los datos listos para usar.
Ámbito: termina en un conjunto de datos limpio y fiable: ingesta, parseo, controles de calidad y programación de tareas.
Ejemplos de mis proyectos:
• Facts: scraping de más de 10 feeds RSS y un pipeline ETL con parseo XML
• ProString: ingesta semanal de datasets públicos con pg_cron y Edge Functions
• ProString: pipeline de importación con detección de columnas, de-duplicación de catálogo y puntuación de confianzaAgentic AI: construir los propios agentes.
Ámbito: llega hasta el runtime del agente: su fiabilidad, la evaluación de su comportamiento y su escalabilidad (frameworks de agentes, arquitecturas planner-executor, orquestación multiagente, estado multi-turno).
Ejemplos de mis proyectos:
• Ninguno construido todavía
• Planificado para ProString: los reportes de bug críticos disparan un arreglo propuesto por un LLM que reviso y apruebo, y las incidencias, emails y feedback se envían a la persona o grupo adecuado
Proyectos
Ámbito
Applied AI: IA dentro de un producto.
Ámbito: desde la llamada al LLM hasta la interfaz que usa el cliente final. Incluye flujos de trabajo agénticos: cadenas de llamadas a LLM que automatizan una tarea.
Ejemplos de mis proyectos:
• Facts: resúmenes de noticias neutrales generados con LLM dentro de una app Android
• Chatbot de carrito de compra con LangGraph: reconocimiento de intención, estado de la conversación y validaciónAI Engineering: trabajar en los modelos y sistemas que hay detrás de las funciones de IA, no solo usarlos en un producto.
Ámbito: más amplio que Applied AI. Según la empresa, llega también a la infraestructura (MLOps) o al ajuste fino de modelos.
Ejemplos de mis proyectos:
• AI & Big Data: CNNs con Keras y PyTorch
• Modelos de precios de vivienda (Random Forest, XGBoost, grid search) servidos con una API Flask
• Facts: pipeline de embeddings y clustering semántico sobre más de 10 feeds de noticiasAgentic Development: usar agentes de IA (planner, subagentes, skills, servidores MCP) para construir software.
Forma parte de Applied AI y del desarrollo asistido por IA. No es lo mismo que construir sistemas de agentes (Agentic AI).
Ejemplos de mis proyectos:
• ProString: agent harness propio con subagentes, skills, hooks y memoria persistente
• 7 servidores MCP con acceso de mínimo privilegio (Supabase, GitHub, Stripe, Context7, Chrome DevTools, Hostinger, Laravel Boost)
• Informes de coste de tokens por cada puerta de release
• Análisis de competencia asistido por LLM que alimenta la hoja de rutaAgentic AI: construir los propios agentes.
Ámbito: llega hasta el runtime del agente: su fiabilidad, la evaluación de su comportamiento y su escalabilidad (frameworks de agentes, arquitecturas planner-executor, orquestación multiagente, estado multi-turno).
Ejemplos de mis proyectos:
• Ninguno construido todavía
• Planificado para ProString: los reportes de bug críticos disparan un arreglo propuesto por un LLM que reviso y apruebo, y las incidencias, emails y feedback se envían a la persona o grupo adecuadoData Engineering: dejar los datos listos para usar.
Ámbito: termina en un conjunto de datos limpio y fiable: ingesta, parseo, controles de calidad y programación de tareas.
Ejemplos de mis proyectos:
• Facts: scraping de más de 10 feeds RSS y un pipeline ETL con parseo XML
• ProString: ingesta semanal de datasets públicos con pg_cron y Edge Functions
• ProString: pipeline de importación con detección de columnas, de-duplicación de catálogo y puntuación de confianza
Mostrando 7 proyectos de 15 · más relevantes primero
Ordenar por:
Experiencia profesional

ProString Manage
Desarrollador Junior de IA Aplicada
Diseño, desarrollo y despliegue en solitario de una aplicación web SaaS multi-tenant para talleres de encordado de raquetas y gestión de torneos, combinando un frontend Vue 3 + Vite con un backend serverless en Supabase, construida con un agent harness propio.
• Diseñé una arquitectura dual (Torneo / Tienda) con 23 Pinia stores, 45+ vistas, 230+ componentes y 70+ composables en Vue 3 + TypeScript
• Apliqué aislamiento de datos por tenant/rol con 180+ políticas de Row-Level Security, validación de precios del lado del servidor y operaciones atómicas, además de MFA TOTP con AAL2 exigido a nivel de base de datos
• Implementé RBAC con 2 modos, 3 roles y 29 features con 130+ permisos granulares
• Construí un backend serverless con 23 Edge Functions en Deno y 80+ RPCs transaccionales en PL/pgSQL que cubren ciclo de vida de usuarios, autenticación, envío de emails, provisionamiento demo y provisionamiento automático de tenants mediante webhooks de Stripe (4 planes, descuentos para miembros GRSA)
• Implementé facturación: numeración consecutiva asignada por el servidor, facturas emitidas inmutables garantizadas por triggers de base de datos con correcciones mediante facturas rectificativas y formatos de factura para 7 países
• Desarrollé pipelines de datos: ingesta semanal programada de datasets públicos con pg_cron y Edge Functions, un motor de informes configurable, snapshots con retención y restauración, y un pipeline de importación con auto-detección de columnas, detección de splits, de-duplicación de catálogo y confidence scoring
• Entregué una UX optimizada para torneos en vivo: entrada de pedidos orientada a teclado con salto automático entre campos, impresión de recibos y etiquetas con un clic mediante QZ Tray y ESC/POS (sin diálogo de impresión del navegador) y sincronización con Supabase Realtime con caché a nivel de store
• Mantuve la calidad con 1.500+ tests automatizados, 8 workflows de CI/CD en GitHub Actions y validación de migraciones desde cero; localicé la interfaz en 6 idiomas con un sistema de overrides de traducciones por tenant
• Construí un agent harness propio: subagentes, skills, hooks y memoria persistente, con 7 servidores MCP (Supabase, GitHub, Stripe, Context7, Chrome DevTools, Hostinger, Laravel Boost) con acceso de mínimo privilegio
• En curso: asistente RAG reforzado frente a prompt injection, importación de datos y generación de analíticas asistidas por LLM, y pipelines en Python que agregan datos públicos de tenis
Applied AIen cursoApplied AI: IA dentro de un producto.
Ámbito: desde la llamada al LLM hasta la interfaz que usa el cliente final. Incluye flujos de trabajo agénticos: cadenas de llamadas a LLM que automatizan una tarea.
En este proyecto:
• En curso: asistente de ayuda con RAG
• En curso: importación de datos y analíticas asistidas por LLMAgentic AIplanificadoAgentic AI: construir los propios agentes.
Ámbito: llega hasta el runtime del agente: su fiabilidad, la evaluación de su comportamiento y su escalabilidad (frameworks de agentes, arquitecturas planner-executor, orquestación multiagente, estado multi-turno).
En este proyecto:
• Planificado: los reportes de bug críticos disparan un arreglo propuesto por un LLM que reviso y apruebo
• Planificado: incidencias, emails y feedback enviados a la persona o grupo adecuadoAgentic DevelopmentAgentic Development: usar agentes de IA (planner, subagentes, skills, servidores MCP) para construir software.
Forma parte de Applied AI y del desarrollo asistido por IA. No es lo mismo que construir sistemas de agentes (Agentic AI).
En este proyecto:
• Agent harness propio: subagentes, skills, hooks y memoria persistente
• 7 servidores MCP con acceso de mínimo privilegio (Supabase, GitHub, Stripe, Context7, Chrome DevTools, Hostinger, Laravel Boost)
• Informes de coste de tokens por cada puerta de release
• Análisis de competencia asistido por LLM que alimenta la hoja de rutaData EngineeringData Engineering: dejar los datos listos para usar.
Ámbito: termina en un conjunto de datos limpio y fiable: ingesta, parseo, controles de calidad y programación de tareas.
En este proyecto:
• Ingesta semanal de datasets públicos con pg_cron y Edge Functions
• Pipeline de importación: detección de columnas, de-duplicación de catálogo y puntuación de confianza
• En curso: pipelines en Python que agregan datos públicos de tenis (rankings, raquetas, marcas, modelos)Back-endFront-endSupabaseSaaSUXGitCI/CDUI

SEIDOR NTS
Asistente Técnico de Salesforce
• Desarrollo de servicios y APIs (Apex)
• Desarrollo web y componentes interactivos (LWC)
• Soluciones low-code (Flow Builder)
• Diseño de arquitectura de aplicaciones empresariales (Sales/Service Cloud)
• Clases asíncronas y pruebas unitarias
• Integración de servicios externos usando llamadas HTTP y Postman
ApexPostmanLightning Web ComponentsSalesforce.comCRM

Eulix
Desarrollador Junior de Android
Desarrollo de una aplicación que recomienda contenidos (películas, series) según la personalidad, el estado de ánimo y las preferencias del usuario.
• Creé un chatbot (asistente virtual) que recomienda contenidos a partir del prompt, el estado de ánimo y el comportamiento rastreado del usuario (qué contenidos abre, cuánto tiempo se queda), y cubre el onboarding y la sección 'Cómo Funciona'.
• Creé muchas pantallas nuevas, entre ellas el onboarding, y edité la mayoría de las existentes en toda la app.
• Integré una API RESTful con Retrofit, trabajando con el equipo de back-end.
• Coordiné con un equipo internacional en India en distintas zonas horarias.
AndroidXMLAPI IntegrationGradleAI/ML IntegrationFront-EndData BindingAndroid JetpackRetrofitKotlin DSLLiveDataAndroid SDK

TELUS Digital
Anotador de Datos
• Clasifiqué, evalué y describí consultas, audio, video, imágenes y otros tipos de datos según su relevancia y calidad.
• Totalmente remoto con una carga de trabajo autogestionada (sin horas semanales fijas), usando inglés profesional, conocimiento general y alfabetización digital.
EnglishJSONData AnalysisData ClassificationDigital Competence
Formación académica

Linkia FP
Especialización en Inteligencia Artificial y Big Data
Especialización en inteligencia artificial y big data, centrada en AI engineering y desarrollo agéntico sobre bases de aprendizaje automático y big data.
• Práctica: CNNs (Keras, PyTorch) y modelos de precios de vivienda (XGBoost, grid search) servidos con una API Flask
• Proyecto final en curso: regresión y clustering sobre 540K registros de e-commerce
• Módulos: programación de IA, sistemas de aprendizaje automático, big data aplicado, modelos de IA, sistemas de big data y un proyecto de IA y big data
Nota: 9
AI EngineeringAI Engineering: trabajar en los modelos y sistemas que hay detrás de las funciones de IA, no solo usarlos en un producto.
Ámbito: más amplio que Applied AI. Según la empresa, llega también a la infraestructura (MLOps) o al ajuste fino de modelos.
En este programa:
• CNNs con Keras y PyTorch
• Modelos de precios de vivienda (Random Forest, XGBoost, grid search) servidos con una API Flask
• En curso: proyecto final de regresión y clustering sobre datos de e-commerceDeep LearningPythonBig DataExploratory Data Analysis (EDA)Data ScienceMachine LearningNeural NetworksComputer VisionKerasTensorFlowPyTorch

Institut Tecnològic de Barcelona (ITB)
Desarrollo de Aplicaciones Multiplataforma - Sistemas Inteligentes (DAMi)
Grado superior de desarrollo de aplicaciones móviles y web, con énfasis en metodología Agile y Scrum.
• Kotlin, Jetpack Compose / XML, Retrofit, para desarrollo Android
• Machine Learning, Web Scraping, Sentiment Analysis, Algoritmos de Clasificación, Decisión y Predicción
• Gestión de bases de datos SQL y NoSQL como PostgreSQL, MongoDB y Firebase
• Comunicaciones cliente-servidor con Ktor, lectura de ficheros, acceso a datos
• Participación en concursos de programación competitiva, usando Java y Kotlin
Nota: 9.08
PythonAndroidSQLGitMachine LearningJavaKotlinAWSCloudNoSQLDockerCI/CD

Universitat Pompeu Fabra (UPF)
Ingeniería en Sistemas Audiovisuales
Grado en ingeniería en sistemas audiovisuales con enfoque en fundamentos teóricos y prácticos de la informática, incluyendo programación, algoritmos y estructuras de datos.
PythonC++MatLabProcessingCollabOOPCisco Packet TracerAssembly

Ramón Berenguer IV (RB4)
Bachillerato Tecnológico
Bachillerato con enfoque en ciencias y tecnología, preparando para estudios superiores en ingeniería y desarrollo de software.
ExcelPythonScratch