Modelos en producción, backends que aguantan.
Soy Daniel Galán, ingeniero MLOps y desarrollador backend: llevo modelos de machine learning a producción y construyo los sistemas que los sirven. Aquí cuento cómo, con proyectos reales.
Proyectos
Cada proyecto cuenta el problema, las decisiones, la arquitectura y las cifras.
Reconstrucción de cascadas de rayos cósmicos en HAWC
Una red convolucional que trata los sensores del observatorio como píxeles de una imagen y predice dónde cae el núcleo de la cascada.
Vecinly
SaaS para comunidades de propietarios en 11 idiomas: una sola API para la web y dos apps, con los datos de cada comunidad cifrados con su propia clave.
Avisos oficiales de 216 fuentes públicas, cada uno con quién lo dice. Servidor en producción y web en 8 idiomas.
En producción · Web
Web B2B en español e inglés: 78 páginas, 100 de rendimiento en móvil y ningún servidor.
Ingeniero MLOps y desarrollador backend Java.
Empecé en backend Java: microservicios, eventos de dominio e integraciones con proveedores externos. En el máster de IA hice mi TFM con datos reales del observatorio HAWC y desde 2025 trabajo como ML Engineer. Lo que más me gusta es lo que hay entre medias: que un modelo o un sistema no se quede en el notebook o en la demo, sino que aguante en producción.
Cómo trabajo
- Metodologías ágiles: Scrum y Kanban: entregas cortas, revisión con negocio y prioridades que se ajustan cada sprint.
- Git y revisión de código: ramas por tarea, pull requests pequeñas y revisión antes de mezclar.
- CI/CD y pruebas: cada cambio pasa tests automáticos (unitarios, de integración con Testcontainers) antes de desplegarse.
- Documentación viva: decisiones de arquitectura escritas junto al código, para que el equipo sepa el porqué.
ML Engineer
Pipelines de entrenamiento, despliegue y monitorización de modelos en la nube.
- Python
- TensorFlow / Keras
- scikit-learn
- MLflow
- GCP · Vertex AI
Backend Java
Microservicios, eventos de dominio e integración con proveedores externos.
- Java · Spring Boot
- Kafka
- PostgreSQL
- Oracle
- Docker
- Kubernetes
Máster en Inteligencia Artificial, UNIR
TFM: una red convolucional para reconstruir cascadas de rayos cósmicos en HAWC.
Grado en Ingeniería Informática, UOC / UdA
Preguntas frecuentes
¿Qué hace un ingeniero MLOps?
Lleva los modelos de machine learning del notebook a producción y los mantiene sanos allí: automatiza los pipelines de entrenamiento, versiona datos y modelos, los despliega como servicios, vigila su rendimiento y su deriva, y los reentrena cuando hace falta. Es ingeniería de software y de sistemas aplicada al ciclo de vida de un modelo.
¿En qué se diferencia MLOps de la ciencia de datos?
Un científico de datos investiga y construye el modelo: elige los datos, las variables y el algoritmo, y mide si funciona. Un ingeniero MLOps se ocupa de que ese modelo funcione cada día en producción: que se entrene de forma reproducible, que se despliegue sin cortes, que responda a tiempo y que se detecte cuando empieza a fallar.
¿Cómo se lleva un modelo de machine learning a producción?
Con un pipeline que entrena y registra cada versión del modelo con sus datos y métricas, un servicio que lo expone por una API, despliegues automáticos con pruebas y vuelta atrás, y monitorización de la latencia, los errores y la calidad de las predicciones. Herramientas habituales: MLflow, Vertex AI, Docker y Kubernetes.