Sobre mí

Convierto datos, modelos y software en sistemas que las personas pueden utilizar.

Soy Albert Queraltó, científico de datos con formación doctoral y desarrollador de software en Barcelona. Trabajo entre machine learning, ingeniería de datos, sistemas backend y desarrollo de producto, con especial interés por los sistemas que deben seguir siendo útiles después del experimento en el notebook.

Mi trabajo combina razonamiento científico e ingeniería de software. Me importa cómo se valida un modelo, pero también cómo llegan los datos, cómo se exponen las predicciones, cómo se observan los fallos y cómo un usuario termina tomando una mejor decisión con el resultado.

Este enfoque aparece en proyectos como Payrithm y TenderWise, donde machine learning, reglas deterministas, APIs, tareas en segundo plano, bases de datos y flujos de usuario tienen que funcionar juntos como un único producto.

Este portfolio documenta la arquitectura, los compromisos, los errores y las lecciones operativas detrás de esos sistemas. El objetivo no es presentar demos aisladas, sino mostrar cómo razono de principio a fin sobre problemas de datos y software en producción.

Áreas en las que trabajo

Sistemas de machine learning

Series temporales, detección de anomalías, aprendizaje supervisado, validación, explicabilidad, model serving y monitorización.

Ingeniería de datos

Ingestión mediante APIs y ficheros, ETL, PostgreSQL y PostGIS, calidad de datos, procesamiento programado y pipelines operativos.

Backend y SaaS

Servicios FastAPI, diseño multi-tenant, workers Celery, Redis, permisos, auditoría y flujos de producto orientados a decisiones.

Ingeniería de producción

Docker, Linux, Nginx, despliegues con recursos limitados, observabilidad, fiabilidad y decisiones pragmáticas de infraestructura.

Cómo enfoco el trabajo técnico

  • → Empezar por la decisión o el problema operativo, no por el modelo.
  • → Validar qué podía conocerse realmente en el momento de predecir y dificultar el leakage por diseño.
  • → Preferir sistemas observables y mantenibles a infraestructura innecesariamente compleja.
  • → Separar reglas de dominio y modelos probabilísticos cuando la distinción importa al usuario.
  • → Documentar modos de fallo y compromisos, no solo la arquitectura final.

Trayectoria

  • → Resolución de problemas y metodología científica con formación doctoral.
  • → Trayectoria académica vinculada a la Universitat Autònoma de Barcelona y la Universitat Oberta de Catalunya.
  • → En Barcelona y abierto a oportunidades en ciencia de datos, ML engineering, ingeniería de software y trabajo técnico orientado a producto.

Trabajemos juntos

Si estás construyendo un producto intensivo en datos, un sistema de decisión apoyado por ML o un flujo de producción que necesita ser más fiable, me interesan especialmente las decisiones de ingeniería que hay detrás.