Controles del Reglamento europeo de IA en el pipeline de despliegue
Trabajo final de grado, Universidad Siglo XXI, 2026
Un validador pensado para correr como una etapa de un pipeline de GitLab CI. En cada versión nueva de un modelo de crédito, mide si el modelo aprueba a hombres y mujeres en tasas distintas y verifica cinco controles del Reglamento europeo de IA. Si alguno falla, el despliegue se frena y el reporte indica la regla y el artículo.
Resultados: Prototipo funcionando. En una primera ejecución, la versión 1 de un modelo de crédito de prueba cumplió las cinco reglas y la versión 2 quedó bloqueada por la regla de equidad (diferencia de paridad demográfica de 0,15, umbral de 0,10). La evaluación frente a la revisión manual se hace en noviembre de 2026.
Tecnologías: Python, RDF, SHACL, GraphDB, Fairlearn, GitLab CI, Streamlit, Docker
La consultora y el banco son un caso modelado, no clientes reales.
Leer el artículo
Ver las pantallas del prototipo
Venta de criptomonedas en sucursales
Union of Financial Corners, Ginebra
Los clientes pagan en efectivo en la ventanilla y reciben Bitcoin o Ethereum en su propia wallet, o venden cripto a cambio de efectivo. Lideré el lanzamiento: los requerimientos, la elección del socio cripto suizo, el backlog con los desarrolladores externos, las pruebas, los procedimientos de sucursal y la capacitación del personal.
Resultados: Funciona en todas las sucursales de Ginebra, Lausana, Berna y Zúrich. Los clientes vuelven seguido, teníamos todos los documentos que pidieron en las auditorías, y el servicio se está extendiendo a quioscos de socios en toda Suiza.
Leer el artículo
Clasificación anonimizada de denuncias para el control policial
Gobierno de Córdoba, Argentina, 2025–2026
Un pipeline de NLP que quita nombres, números de documento y direcciones de las denuncias ciudadanas antes de que alguien las lea, y después sugiere una de las ocho categorías oficiales del organismo. Un fiscal aprueba o corrige cada sugerencia.
Resultados: Sobre un conjunto de prueba ciego de 2.189 denuncias, 77 % de recall en violencia institucional y un F1 de 0,72 en violencia de género. Todo corre en el hardware propio del organismo.
Tecnologías: Python, PyTorch, BETO (BERT en español), spaCy, Microsoft Presidio
El código no es público porque el sistema trabaja con datos del gobierno.
Leer el artículo (en inglés)
Justice Inequality Simulator
Curso de Modelos Generativos Profundos, Hochschule Furtwangen, 2025
Una forma de probar si un modelo que predice resultados judiciales tiene sesgos. Cambio un solo dato sensible en la descripción del caso, como el género o el origen étnico, y mido cuánto se mueve la predicción.
Resultados: En varios casos, cambiar una palabra sensible movió la probabilidad predicha entre 0,10 y 0,25. Exactitud de 0,78 en el conjunto de prueba, probablemente optimista: el artículo explica los límites de la evaluación.
Tecnologías: Python, Legal-BERT, PyTorch, scikit-learn
Leer el artículo (en inglés)
Abrir el notebook
Todos los artículos
