Víctor Rocamora Contactar

Laboratorio

Aprender IA construyendo cosas reales

Aquí documento lo que aprendo de AI Engineering y los proyectos en los que lo pongo a prueba. Estoy en plena formación: no me presento como experto, sino como técnico de sistemas que aprende construyendo y comprueba que las cosas funcionen de verdad.

Anatomía de una automatización

Toda automatización fiable tiene cuatro partes. Elige una tarea y avánzala fase a fase para ver qué le pasa al dato.

Ejemplo ilustrativo. Correos, facturas y documentos inventados.

Con IA

  1. Es lo que pone en marcha el flujo: sin disparador, no pasa nada.
  2. Es donde se transforma el dato: se lee, se clasifica o se extrae lo importante.
  3. Es el momento en que una persona revisa lo dudoso antes de seguir.
  4. Es lo que queda hecho al final, listo para usar.

Elige el ejemplo

¿Qué correo va a llegar a la bandeja?

Qué está pasando

Asunto: El servidor no responde desde esta mañana

«No podemos entrar en la aplicación y tenemos clientes esperando.»

Llega a la bandeja de trabajo y pone en marcha el flujo.

Qué está pasando

Un modelo de lenguaje lo lee y propone: Incidencia · prioridad alta, porque habla de un servicio caído y de clientes esperando.

Seguridad de la clasificación: alta.

Qué está pasando

La clasificación es clara, así que no hace falta revisarla. Queda registrada por si quieres comprobarla después.

Qué está pasando

Etiquetado como «Incidencia · alta» y aviso inmediato a quien está de guardia.

Cómo montarlo

Herramienta: n8n o Make, con un paso de modelo de lenguaje.

Primer paso: conecta la bandeja de entrada como disparador y prueba la clasificación con correos antiguos antes de activarla.

Con IA

  1. Es lo que pone en marcha el flujo: sin disparador, no pasa nada.
  2. Es donde se transforma el dato: se lee, se clasifica o se extrae lo importante.
  3. Es el momento en que una persona revisa lo dudoso antes de seguir.
  4. Es lo que queda hecho al final, listo para usar.

El ejemplo

Factura de ejemplo · PDF

Proveedor
Suministros Norte (inventado)
Fecha
3 de marzo
Base imponible
200,00 €
IVA (21 %)
42,00 €
Total
245,00 €

Qué está pasando

Llega el PDF a la carpeta de facturas y pone en marcha el flujo.

Qué está pasando

Se extraen los cinco datos (proveedor, fecha, base, IVA y total) y se comprueba que cuadran:

Base + IVA = 242,00 €, pero el total dice 245,00 €. No cuadra.

Qué está pasando

Un dato no cuadra, así que te pregunta antes de apuntarlo. Puede ser un error o un recargo que no aparece desglosado.

Qué está pasando

Se añade la fila a la hoja de cálculo:

ProveedorFechaBaseIVATotalEstado
Papelería Ejemplo1 mar80,0016,8096,80Automático
Limpiezas Demo2 mar150,0031,50181,50Automático
Suministros Norte3 mar200,0042,00245,00Revisado por ti

Cómo montarlo

Herramienta: Power Automate o Make, con extracción de datos de PDF.

Primer paso: reúne diez facturas de proveedores distintos y comprueba qué campos se extraen bien antes de automatizar nada.

Con IA

  1. Es lo que pone en marcha el flujo: sin disparador, no pasa nada.
  2. Es donde se transforma el dato: se lee, se clasifica o se extrae lo importante.
  3. Es el momento en que una persona revisa lo dudoso antes de seguir.
  4. Es lo que queda hecho al final, listo para usar.

El ejemplo

Informe anual de ejemplo · 24 páginas

«…en el segundo semestre las ventas crecieron… el coste de envío supone la mayor partida de gasto variable… se propone revisar proveedores…»

Qué está pasando

Dejas el PDF en una carpeta compartida y pone en marcha el flujo.

Qué está pasando

Se extrae el texto y se resume en tres puntos, cada uno con la página de donde sale:

  1. Las ventas crecieron en el segundo semestre (pág. 4)
  2. El envío es el mayor gasto variable (pág. 11)
  3. Se propone revisar proveedores el año que viene (pág. 19)

Qué está pasando

Compruébalo tú: abre la cita del punto 2 y compárala con el original.

Qué está pasando

Resumen listo, con las citas a la vista y el punto 2 comprobado por ti. Va a una ficha en tu hoja de cálculo.

Cómo montarlo

Herramienta: n8n o Make, con un modelo que admita documentos largos.

Primer paso: pide siempre la página de cada dato y comprueba unas cuantas a mano durante las primeras semanas.

Aquí no hace falta IA: con reglas basta

  1. Es lo que pone en marcha el flujo: sin disparador, no pasa nada.
  2. Es donde se transforma el dato: se lee, se clasifica o se extrae lo importante.
  3. Es el momento en que una persona revisa lo dudoso antes de seguir.
  4. Es lo que queda hecho al final, listo para usar.

El ejemplo

Hoja de cálculo · «Revisión del equipo: 20 de noviembre»

Regla: avisar tres días antes.

Qué está pasando

Cada mañana, a la misma hora, se revisan las fechas de la hoja.

Qué está pasando

Una regla compara fechas: hoy es 17 de noviembre y faltan 3 días, así que se cumple la condición. El mensaje sale de una plantilla, sin ningún modelo de lenguaje.

Qué está pasando

«Recordatorio: la revisión del equipo es el 20 de noviembre.»

¿Apruebas el envío?

Qué está pasando

Aviso enviado a tiempo y marcado en la hoja como «Avisado».

Cómo montarlo

Herramienta: Apps Script (si ya usas Google Sheets) o Power Automate.

Primer paso: añade una columna «Avisado» para no mandar el mismo aviso dos veces.

No todo necesita IA: a veces unas reglas bien pensadas son más fiables y más baratas. Saber distinguirlo también es parte del trabajo.

Hoja de ruta

El orden en el que estoy aprendiendo AI Engineering por mi cuenta. Cada fase trae su demostración para ver el concepto en acción.

Ahora: fase 1, «Python sólido» · 50 %. El destello marca por dónde voy.

  1. Fase 1 En curso

    Python sólido

    La base de programación sobre la que se apoya todo lo demás.

    Para qué sirve: Es el idioma con el que se construye casi todo en IA: sin él, lo demás se queda en teoría.

    Qué aprendo
    • Funciones, clases y manejo de librerías
    • Entornos virtuales, ficheros y excepciones
    • Pensar en Python para proyectos reales
    Recursos
    • CS50P: introducción a la programación con PythonHarvard
    Proyecto que sale de aquí
    • Proyecto final de CS50P
    Ejecuta un fragmento de Python Simulación 
    def media(notas):
    return sum(notas) / len(notas)

notas = []
print(media(notas))
    Cambia el valor y vuelve a ejecutar.

    Variables

    media
    función
    notas
    [7, 9, 8]

    Salida

    8.0
  2. Fase 2 Pendiente

    Cómo funcionan los LLMs

    APIs, prompts, tokens y contexto.

    Para qué sirve: Entender qué hay detrás de un chat de IA para usarlo bien: qué puede hacer, cuánto cuesta y dónde falla.

    Qué aprendo
    • Llamar a las APIs de OpenAI y Anthropic
    • Prompt engineering básico y parseo de respuestas
    • Gestión del contexto
    Recursos
    • LangChain for LLM Application DevelopmentDeepLearning.AI
    Así trocea un modelo tu frase Simulación

    16 tokens · 9 palabras · 54 caracteres

    Un tokenizador real (BPE) aprende sus trozos de millones de textos y cada modelo trocea distinto; aquí se imita con reglas sencillas.

  3. Fase 3 Pendiente

    Agentes y RAG

    LangGraph, RAG agéntico y memoria a largo plazo.

    Para qué sirve: Que la IA trabaje con tus documentos y use herramientas, diciendo de dónde saca cada dato.

    Qué aprendo
    • Agentes con LangGraph
    • RAG agéntico con LlamaIndex
    • Memoria a largo plazo
    Recursos
    • AI Agents in LangGraphDeepLearning.AI
    • Building Agentic RAG with LlamaIndexDeepLearning.AI
    • Long-Term Agentic Memory with LangGraphDeepLearning.AI
    Proyecto que sale de aquí
    • Asistente con memoria conectado a APIs
    • Sistema multiagente para una tarea real
    Así responde un RAG, citando sus fuentes Simulación

    guia-ssd-ram.pdf

    • El SSD suele ser la mejora más rentable en un portátil con disco mecánico.
    • Antes de ampliar la RAM, comprueba ranuras libres, capacidad máxima y tipo de memoria.
    • Si hay calor, ruido o apagones, revisa antes el mantenimiento.

    compatibilidad-pc.pdf

    • Confirma que el socket de la placa coincide con el de la CPU.
    • La generación de RAM (DDR4 o DDR5) debe ser la que admite la placa.
    • Comprueba que la fuente tiene los conectores que pide la gráfica y que esta cabe en la caja.

    portatil-estudiar.pdf

    • Para estudiar, una base razonable es 16 GB de RAM y SSD de 512 GB.
    • La gráfica dedicada solo compensa si vas a jugar o editar vídeo.
    • Prioriza autonomía, peso y una pantalla cómoda.

    Elige una pregunta y pulsa «Preguntar»: se buscan los fragmentos más parecidos y la respuesta cita de cuáles sale.

  4. Fase 4 Pendiente

    Despliegue

    Que lo construido salga de mi equipo.

    Para qué sirve: Que lo que funciona en mi ordenador funcione también para otras personas, de forma estable.

    Qué aprendo
    • Crear APIs para modelos de IA
    • Dockerizar aplicaciones
    • Exponer endpoints
    Recursos
    • Tutorial oficial de FastAPIFastAPI
    • Documentación oficial de DockerDocker
    Proyecto que sale de aquí
    • Agente RAG sobre PDFs, con FastAPI y Docker
    Una petición entra en un contenedor Simulación

    Petición

    POST /resumir
{"texto": "Reparar un portátil lento…"}

    Log del contenedor

    Esperando peticiones en :8000

    Respuesta

    Pulsa «Enviar»
  5. Fase 5 Pendiente

    Modelos open source

    Trabajar con modelos abiertos a través de Hugging Face.

    Para qué sirve: Poder usar modelos que funcionan en un equipo propio, sin depender siempre de un servicio externo.

    Qué aprendo
    • Descargar y usar modelos de Hugging Face
    • Fine-tuning básico y cuantización
    • Ejecutar modelos en local
    Recursos
    • Curso oficial de Hugging FaceHugging Face
    • Open Source Models with Hugging FaceDeepLearning.AI
    Cuantización: menos bits, menos peso Simulación
    Niveles por peso
    4.294.967.296
    Modelo de 7B parámetros
    28 GB
    Cabe en
    Servidor con GPU grande

    La línea blanca es el valor real; la cian, lo que queda al redondearlo a menos niveles. Con 4 bits el modelo pesa ocho veces menos, a costa de algo de precisión.

  6. Fase 6 Permanente

    Portfolio de proyectos en GitHub

    En paralelo desde la fase 3: cada fase deja algo publicado.

    Para qué sirve: Que cada cosa aprendida quede publicada y cualquiera pueda comprobarla.

    Qué aprendo
    • Documentar, probar y mantener cada proyecto para que se pueda reproducir
    Recursos
    • GitHubRepositorios públicos
    Proyecto que sale de aquí
    • Agente RAG sobre PDFs, con FastAPI y Docker
    • Asistente con memoria conectado a APIs
    • Sistema multiagente para una tarea real
    Un repositorio de proyecto, por dentro Simulación

    agente-rag-pdfs

    • app/
    • tests/

    README.md

    agente-rag-pdfs

    PythonFastAPIDocker

    Agente que responde preguntas sobre tus PDF y cita el fragmento de donde sale cada dato.

    Cómo ejecutarlo
    docker compose up
curl -X POST :8000/preguntar
    Qué incluye

    Código en app/, pruebas en tests/ y todo lo necesario para reproducirlo.

    Ejemplo ilustrativo: así documentaré cada proyecto cuando lo publique.

¿Tienes un recurso que me convenga o una idea de proyecto? Cuéntamelo

Bitácora

En qué estoy trabajando y en qué punto está cada cosa, contado tal cual.

  1. En funcionamiento

    Jarvis, agente personal →

    Agente 24/7 con memoria, herramientas controladas y aprobación humana para cualquier acción externa.

  2. Aplicado en Jarvis

    Agentes con herramientas

    Cómo dar a un modelo herramientas útiles sin perder el control de lo que hace.

  3. Especialización y práctica

    Cloud en AWS

    Curso de especialización en Administración Cloud y más de 40 laboratorios de AWS Skill Builder: serverless, DynamoDB, EKS, Lambda, CloudFormation, CloudFront y seguridad. Este año, además, llegué con mi equipo a la final nacional de AWS JAM y quedamos segundos. Más en Sobre mí

  4. Terminado

    Máster en IA

    El máster de BIG school, con el Diploma de Experto Universitario en IA de la Universidad Isabel I, se complementa con el estudio propio que sigue la hoja de ruta de arriba.

Proyecto principal

Jarvis: un agente que propone y espera mi permiso

Funciona día y noche en un equipo dedicado, me escucha por Telegram y recuerda los proyectos. Lo importante no es lo que puede hacer, sino lo que no hace sin preguntar.

Hablar con su holograma

Lo que ya sé hacer

Automatizaciones sencillas

Tareas repetitivas con correos, hojas de cálculo, avisos o documentos. Empiezo por lo pequeño y comprobable, y digo con franqueza cuándo algo no compensa.

Ver más →

Para equipos y empresas

Un perfil en formación con base sólida

Soy técnico de sistemas, con ASIR, especialización en cloud sobre AWS y máster en IA, y estoy orientando mi carrera hacia AI Engineering. Si buscas a alguien con criterio técnico y ganas de aprender en proyectos reales, hablemos.

LinkedIn ↗ Trayectoria Escribirme

Preguntas frecuentes

¿Qué has estudiado de IA?

Un máster de IA de BIG school, de más de 240 horas y con enfoque práctico de IA aplicada, con doble titulación que incluye el Diploma de Experto Universitario en IA de la Universidad Isabel I. Recorre los fundamentos de IA y modelos de lenguaje, asistentes, automatización con herramientas sin código, modelos en local y en la nube, aspectos legales y éticos y casos de uso reales, y termina con un examen final de certificación. A eso sumo estudio propio, y vengo de ASIR y de cloud sobre AWS. No me presento como experto: sigo aprendiendo.

Ver mi formación completa →

¿Qué diferencia hay entre el máster y tu hoja de ruta?

El máster me dio la parte aplicada: usar y automatizar con IA con criterio, herramientas sin código y aspectos legales. La hoja de ruta es la parte de ingeniería: programar con Python, APIs, agentes, RAG y despliegue. Se complementan, y la segunda es la que estoy construyendo por mi cuenta.

¿Has trabajado con automatizaciones sin código?

Sí, con Make, n8n y Botpress durante el máster. Me sirvió para saber cuándo una herramienta sin código basta para resolver una tarea y cuándo conviene programarla.

¿Qué es la hoja de ruta y por dónde vas?

Es el orden en el que estoy aprendiendo AI Engineering por mi cuenta, en 6 fases. Ahora estoy en la fase 1, «Python sólido» (50 %). Las fases pueden cambiar de orden o de contenido a medida que avance.

¿Las demostraciones de la hoja de ruta son reales?

Son simulaciones ligeras que se ejecutan en tu navegador para ver el concepto en acción, y están marcadas como tales. Lo real está en los proyectos que salen de cada fase, como Jarvis.

¿Qué es Jarvis y qué hace?

Un agente personal que funciona día y noche en un equipo dedicado: me escucha por Telegram, recuerda los proyectos y usa herramientas controladas. Lo importante es que cualquier acción externa me la propone y espera mi permiso antes de hacerla.

Conocer a Jarvis →

¿Tienes una tarea que se repite? O un proyecto en mente.

Contactar victor@victorrocamora.com