Iván Caamaño

AI & Software Engineer

Avvale

Actualmente lidero iniciativas de automatización que combinan agentes de IA, sistemas RAG y visión artificial para consultorías.

• Diseñé y desplegué sistemas de agentes de generación de documentos con IA usando Amazon Bedrock, funciones Lambda y Claude Sonnet, reduciendo el tiempo de producción de 8h a 24min por documento (reducción del 95%).
• Diseñé implementaciones RAG para el desarrollo de chatbots usando Azure Cognitive Search, ML y AI Foundry, usando vectores y embeddings para disminuir la latencia de recuperación de información en un 90%.
• Desarrollé soluciones basadas en IA para la segmentación y análisis de imágenes usando GCP y Vertex AI, diseñando el pipeline de extremo a extremo y reduciendo la carga de trabajo en clasificación en un 80%.

Software Associate Consultant

NFQ Advisory Services

Apoyé al equipo de riesgo de BBVA entregando la plataforma IMM con herramientas listas para producción.

• Diseñé e implementé pipelines ETL para 4 procesos de cálculo de riesgo IMM, procesando más de 2M de registros de exposición crediticia diariamente usando Python (Pandas, PySpark) y trabajos batch de Java en entornos Unix.
• Desplegué arquitectura de microservicios usando Docker y Kubernetes para el procesamiento paralelo de cálculos EAD, reduciendo el tiempo de ejecución batch en un 10%.

Miembro del Comité Organizador

Satelec - UPM Employment and Technology Forum

Coordiné con un equipo de 19 estudiantes la realización del Foro de Empleo y Tecnología de la Universidad, con +100 participantes y +20 empresas colaboradoras.

• Coordiné +100 participantes cada año, incluyendo empresas como Apple, Amazon y BBVA, y organicé +80 conferencias, talleres y actividades en los meses previos al foro.
• Desarrollé funcionalidades y mejoré la UI/UX del sitio web de Satelec, aumentando la interacción web general en un 60% y las entregas de CV en un 40%.

Defense and Security Systems Intern

Indra

Contribuí con ML y procesamiento de datos para modernizar programas de radar AESA.

• Desarrollé modelo basado en CNN para clasificación de señales de radar usando PyTorch, entrenando con más de 50K retornos de radar AESA simulados para detectar y clasificar objetivos aéreos mejorando la eficiencia de detección de patrones en un 30%.
• Implementé pipeline de reducción de ruido usando TensorFlow, aplicando transformadas wavelet y arquitectura autoencoder para filtrar datos radar Doppler, mejorando la relación señal-ruido de 12dB a 18dB.