Sergio A. Mora Pardo on Sergio A. Mora Pardo | Líder técnico de IA/ML

De co-likes a candidatos con Node2Vec

Sun, 06 Sep 2026 00:00:00 -0500

Un catálogo puede convertirse en un grafo antes de convertirse en un recomendador. En el notebook fuente, dos películas se conectan cuando las mismas personas califican positivamente a ambas. Node2Vec transforma luego esos vecindarios en vectores, de modo que las películas cercanas pueden recuperarse mediante una consulta de similitud coseno.

Es un patrón útil para generar candidatos. No es, por sí solo, un sistema de recomendación completo. Esta nota separa lo que demuestra el notebook de la evaluación y el serving que todavía necesitaría un sistema de producción.

Descubrimiento personalizado y ranking de productos

Mon, 01 Jan 0001 00:00:00 +0000

El problema

El descubrimiento de productos para afiliados dependía de una experiencia estática y curada. Esto limitaba la cantidad de productos explorables y la capacidad de adaptar la relevancia a cada sesión.

La oportunidad no consistía solamente en entrenar un modelo de ranking. Era necesario rediseñar el sistema de descubrimiento y demostrar, bajo condiciones controladas, que la personalización generaba valor incremental a lo largo del funnel.

Mi rol

Lideré el diseño de ML para ranking y descubrimiento, trabajando con producto e ingeniería para evolucionar de una landing curada a un feed continuo y personalizado. Mi contribución incluyó definición del problema, señales de ranking, diseño experimental, revisión técnica e interpretación de resultados.

Validación cruzada que respeta los datos

Sun, 06 Sep 2026 00:00:00 -0500

La validación cruzada suele presentarse como una configuración: elegir cinco folds y llamar a cross_val_score. La decisión más importante ocurre antes. Un diseño de validación es una afirmación sobre cuáles observaciones pueden representar legítimamente el futuro.

El notebook fuente construye esa afirmación de forma progresiva, desde experimentos repetidos de hold-out hasta validación agrupada, temporal, estratificada y anidada. Esta nota condensa el recorrido en las decisiones que hacen creíble una evaluación.

Motor de remarketing con ML causal

Mon, 01 Jan 0001 00:00:00 +0000

El problema

El remarketing de gran volumen puede optimizar clics y, aun así, contactar usuarios que habrían comprado sin la intervención. El producto debía decidir quién debía recibir un mensaje, cuándo enviarlo y qué recomendar, midiendo impacto incremental real en lugar de correlación.

Mi rol

Construí y lideré el motor de remarketing con ML para push y email en ocho países de Latinoamérica. El trabajo combinó modelado causal, personalización, arquitectura de serving y un programa sostenido de experimentación controlada.

Arquitectura de serving para ML en producción

Mon, 01 Jan 0001 00:00:00 +0000

El problema

La mensajería personalizada requería contexto de comportamiento reciente y decisiones de baja latencia, pero muchas señales y predicciones eran más confiables y económicas de calcular en batch. El diseño debía conectar ambos mundos sin depender de consultas analíticas lentas durante el envío.

Mi rol

Diseñé la arquitectura de serving y su flujo de decisión, alineando cómputo de modelos, almacenamiento, APIs, eventos de sesión y reglas de producto con los requisitos de latencia y confiabilidad de push y email.

Evaluación de LLMs aplicados a recomendación

Mon, 01 Jan 0001 00:00:00 +0000

El problema

Los prototipos con LLMs pueden parecer convincentes sin ser confiables. Para recomendaciones personalizadas, el equipo necesitaba una metodología que separara la calidad del retrieval de la calidad de generación y permitiera detectar regresiones antes de un experimento online.

Mi rol

Lideré investigación aplicada en sistemas LLM para recomendaciones personalizadas y establecí la metodología inicial de evaluación offline del equipo. También orienté el diseño de una capa de herramientas basada en MCP para proporcionar contexto de recomendación a notificaciones generadas con LLMs.

Contacto

Mon, 01 Jan 0001 00:00:00 +0000

Estoy abierto a conversar sobre liderazgo técnico de IA/ML, sistemas de recomendación en producción, experimentación causal, evaluación de LLMs aplicados y docencia de posgrado.

Sobre mí

Mon, 01 Jan 0001 00:00:00 +0000

Soy líder técnico de IA/ML y Senior Data Scientist con más de siete años de experiencia construyendo y escalando sistemas de machine learning en producción.

Mi trabajo está en la intersección entre modelado, experimentación de producto e ingeniería de sistemas. He liderado iniciativas de recomendación y ranking, programas de ML causal, arquitecturas de serving y metodologías de evaluación para sistemas con LLMs aplicados.

Cómo abordo los productos de ML

Comienzo por la decisión que el producto necesita tomar y por la evidencia necesaria para saber si esa decisión ayudó. A partir de allí diseño los datos, el modelo, el experimento, el serving y el monitoreo como un solo sistema conectado.