Liderazgo¶
Trabajo en el punto de encuentro entre la IA en producción en entornos regulados y la investigación aplicada. Mi enfoque es construir equipos y sistemas de IA que aporten valor duradero al negocio en lugar de deuda técnica.
Cómo Lidero¶
1. Resultados de Negocio y Producción Confiable¶
En Teladoc Health lidero equipos de machine learning en el ámbito de la salud, con altas exigencias de confianza, privacidad y cumplimiento normativo. En la práctica, esto significa:
- Primero los resultados: Las ideas de I+D reciben tiempo de ingeniería cuando muestran un impacto claro en el producto, en la atención clínica o en los costos.
- Producción confiable: MLOps de punta a punta con monitoreo, detección de deriva de datos (drift), resguardos de privacidad y trazabilidad para auditorías.
- Alineación entre áreas: Trabajo cercano con los líderes de Producto, Clínica, Legales e Infraestructura para que la hoja de ruta de IA acompañe los objetivos de la compañía.
2. Arquitecturas de IA con Foco en Costos¶
Los costos de inferencia y entrenamiento pueden erosionar silenciosamente el valor de un producto de IA. Diseño los sistemas pensando en el costo desde el inicio:
- Modelos del tamaño justo: Cuando la tarea lo permite, modelos autosupervisados especializados (como las variantes de JEPA) pueden igualar o superar a grandes modelos de propósito general con una fracción del costo de cómputo. Nuestro trabajo pico-JEPA v2 es un ejemplo.
- Hardware cotidiano: Entrenamiento eficiente en memoria y pipelines de datos rápidos que funcionan en GPUs de consumo de 6–8 GB de memoria o en dispositivos de borde (edge).
3. Investigación, Docencia e Industria Conectadas¶
Como Profesor en la UTN FRBB y director del grupo BHI-Research, mantengo un vínculo directo entre la investigación más reciente y la ingeniería aplicada:
- Evaluación temprana de nuevas ideas: Probamos en la práctica métodos emergentes (Joint-Embedding Predictive Architectures, modelos de audio y video, modelos de mundo eficientes) mucho antes de que se vuelvan herramientas estándar.
- Formación: Dirección de investigadores de grado y posgrado, acompañándolos para que se conviertan en sólidos ingenieros y científicos de ML.
Competencias Principales¶
| Área | Capacidades |
|---|---|
| Estrategia y Gobernanza | Hoja de Ruta de IA · Análisis Build-vs-Buy · Gestión de Costos de IA (FinOps) · IA Responsable en Salud Regulada (HIPAA) |
| Liderazgo de Equipos | Formación y Crecimiento de Equipos de ML · Selección Técnica y Desarrollo de Carrera · Gestión de I+D Aplicada · Comunicación con la Dirección |
| Profundidad Técnica | Aprendizaje Autosupervisado (JEPA) · Video e IA Multimodal · IA Eficiente y en el Borde · Pipelines de Datos y MLOps (PyTorch, Hydra, Lance, AWS) |