Senior Data Engineer and Cloud Architect specializing in designing, scaling, and maintaining mission-critical data pipelines, DataOps frameworks, and enterprise AI ecosystems. Nearly 4 years of experience building resilient cloud-native data architectures on Google Cloud Platform (GCP) and Snowflake, transforming complex manual workflows into 100% automated, zero-error production pipelines.

• 30+ Enterprise Systems Delivered: Proven track record delivering production-grade data pipelines, LLMOps gateways, and infrastructure automation across Advertising & Media, Retail, Banking, Agrochem, and FinTech.
• 100% End-to-End Automation: Replaced manual data workflows across multiple business verticals, reducing human intervention to zero.
• 85% Processing Latency Reduction: Accelerated data ingestion and reporting cycles from 2 weeks to 2 days using event-driven BigQuery architectures and Google Cloud Pub/Sub.
• FinOps & Cloud Governance: Architected multi-project GCP environments with automated billing exports, real-time cost guardrails, and serverless scale-to-zero microservices.

• Zero-Touch Automation: If a data workflow requires manual human intervention more than once, it is engineered into a fully autonomous, self-healing pipeline.
• Idempotency & Determinism: Every ingestion and transformation job is designed to be safely re-runnable across any date range without generating duplicate records or requiring manual rollbacks.
• Data Contracts & Strict Typing: Upstream data streams must satisfy strict contract assertions (Pydantic v2 / JSON Schema) before promoting records to raw and curated warehouse tables.
• FinOps by Design: Schema partitioning, clustering, scan byte limits, and BI Engine caches are mandatory across BigQuery datasets; serverless compute scales to zero when idle.
• Proactive Observability: Automated smoke tests, data drift validations, and instant alerting mechanisms protect downstream BI consumers from silent failures.

• Idempotent Data Ingestion (MERGE + Partition Pruning): High-volume pipelines execute atomic MERGE statements scoped to specific date partitions, allowing retroactive backfills without locking tables or creating duplicate records.
• Event-Driven & Streaming Ingestion (Pub/Sub + Eventarc): Decoupled data ingestion pipelines ingest events asynchronously, triggering lightweight Cloud Run microservices with dead-letter queues (DLQ) for automatic error isolation.
• Serverless Scale-to-Zero Pipelines: Batch and scheduled scraping workloads are packaged into Cloud Run Jobs triggered via Cloud Storage events and Cloud Scheduler, incurring zero compute cost outside execution windows.
• NL-to-SQL Semantic Guardrails: Conversational query engines use INFORMATION_SCHEMA metadata grounding, table allowlists, and BigQuery Dry Run execution (validating byte scan limits before query execution) to prevent runaway cloud costs and SQL injection.

• Strict Schema Enforcement & Data Contracts: Pydantic v2 and JSON Schema validation on all API payloads, raw extraction streams, and warehouse promotion layers.
• Automated CI/CD Testing: GitHub Actions and Azure Pipelines executing automated smoke tests, syntax linters, and integration tests before deployment.
• Telemetry & Proactive Alerting: Centralized logging to BigQuery with automated webhook alerts to Slack and Microsoft Teams on task failure or data drift.

graph LR
    subgraph Ingestion [Ingestion & Event Streaming Layer]
        A[Playwright / Selenium Scrapers] --> B[Google Cloud Storage]
        C[REST APIs / Ad Networks] --> D[Google Cloud Pub/Sub]
        E[Scanned PDF Invoices / Files] --> B
        D --> F[Cloud Eventarc]
    end

    subgraph Processing [Processing & DataOps Layer]
        B --> G[Cloud Run Jobs / Functions]
        F --> G
        G --> H[Gemini 1.5 Multimodal / Pydantic Contracts]
    end

    subgraph Storage [Data Lakehouse & Warehouse]
        H --> I[(BigQuery Partitioned & Clustered Tables)]
        I --> J[(Snowflake Data Warehouse)]
    end

    subgraph Serving [Analytics & AI Serving Layer]
        I --> K[Vertex AI / NL-to-SQL Gateway]
        I --> L[Connected Sheets / Executive Dashboards]
        K --> M[MS Teams Bot / Web Chat Portal]
    end

• Spanish: Native
• Portuguese: Fluent / Professional Working Proficiency
• English: Reading & writing fluency (technical docs, async/chat) — interviews and verbal communication in Spanish or Portuguese only

Below is a curated selection of production architectures and automated data systems engineered for enterprise clients and internal operations.

• Enterprise Vertical: Corporate Finance & Media Operations
• Core Stack: Python, Gemini 1.5 Multimodal Vision, Google Cloud Storage, BigQuery, FastAPI, Next.js
• Related Architecture Repository: data-engineering-toolkit
• The Problem: Finance teams manually processed hundreds of multi-format, scanned PDF vendor invoices, purchase orders, and tax receipts every month, causing multi-day payment delays and error-prone data entry.
• Engineering Solution:
  • Designed an asynchronous serverless ingestion pipeline.
  • Extracted tabular line items, tax IDs, withholding amounts, and currency conversions using Gemini 1.5 Multimodal Vision with strict JSON Schema validation (Pydantic).
  • Automated deduplication and atomic loading into BigQuery and PostgreSQL, triggering real-time validation webhooks.
• Architecture Diagram:

graph LR
    A[Raw PDF Invoices] --> B[GCS Bucket]
    B --> C[Cloud Run Event Trigger]
    C --> D[Gemini 1.5 Vision OCR]
    D --> E[Pydantic Schema Validation]
    E --> F[(BigQuery DWH)]
    E --> G[(PostgreSQL DB)]

• Quantifiable Impact: 100% end-to-end automation with zero manual data entry, reducing invoice processing time from 4 days to under 15 seconds per document.

• Enterprise Vertical: Multinational Consumer Electronics Enterprise
• Core Stack: Vertex AI, Gemini API, BigQuery, FastAPI, Microsoft Bot Framework (Teams), Docker
• Related Architecture Repository: data-engineering-toolkit
• The Problem: Non-technical marketing and executive stakeholders submitted dozens of ad-hoc SQL report requests daily to the BI team, creating an analytics bottleneck with 48-72h turnaround times.
• Engineering Solution:
  • Architected an enterprise-grade 3-layer conversational AI system (Frontend/Teams Bot -> FastAPI Middleware -> Vertex AI + BigQuery).
  • Implemented strict semantic schema grounding, prompt guardrails, and read-only sandboxed SQL execution with scan-cost estimation limits before query execution.
  • Delivered interactive visual responses via Microsoft Teams Adaptive Cards and a dedicated web chat portal.
• Architecture Diagram:

graph LR
    A[User Query Teams / Web] --> B[FastAPI Middleware]
    B --> C[Vertex AI Schema Grounding]
    C --> D[SQL Sandbox & Scan Cost Limit]
    D --> E[(BigQuery Analytics Execution)]
    E --> F[Adaptive Cards / Visual Charts]

• Quantifiable Impact: Reduced ad-hoc BI requests by 65%, providing instant, self-service data insights in less than 4 seconds.

• Enterprise Vertical: Cosmetics, Healthcare & Commercial Retail
• Core Stack: Playwright, Cloud Run Jobs, BigQuery, Gemini Vision, Cloud Scheduler
• Related Architecture Repository: data-engineering-toolkit
• The Problem: Ingesting competitive advertising intelligence was performed through brittle manual portal exports, leaving historical data scattered across disconnected spreadsheets.
• Engineering Solution:
  • Developed resilient headless browser scrapers (Playwright) orchestrated via Cloud Run Jobs and Cloud Scheduler.
  • Built a deterministic multimodal categorization pipeline that analyzes creative videos/images with Gemini Vision, generating automated video thumbnails and hierarchical brand taxonomies in BigQuery.
  • Implemented date-partitioned MERGE statements to guarantee complete idempotency and zero record duplication upon re-runs.
• Architecture Diagram:

graph LR
    A[Cloud Scheduler] --> B[Cloud Run Job Playwright]
    B --> C[Raw Assets to GCS]
    C --> D[Gemini Vision Classifier]
    D --> E[Idempotent Partitioned MERGE]
    E --> F[(BigQuery Analytics Table)]

• Quantifiable Impact: Automated daily data extraction across 40+ competing brands, eliminating 20+ hours/week of manual gathering.

• Enterprise Vertical: Multinational Advertising & Technology Holding
• Core Stack: LiteLLM, FastAPI, BigQuery, Cloud Run, Docker, Terraform
• Related Architecture Repository: gcp-infra-monitor
• The Problem: Multiple teams were deploying unmonitored LLM API calls with fragmented keys, lacking rate limits, cost attribution, or audit logs, leading to unexpected cloud budget spikes.
• Engineering Solution:
  • Architected a centralized AI Gateway with LiteLLM and FastAPI deployed on Cloud Run.
  • Implemented virtual API keys, team-based token quotas, model failover routing (Gemini / Claude / OpenAI), and asynchronous cost telemetry streaming to BigQuery.
• Architecture Diagram:

graph LR
    A[Team LLM Request] --> B[LiteLLM Proxy FastAPI]
    B --> C[Virtual Keys & Quota Check]
    C --> D{Multi-Model Router}
    D --> E[Gemini 1.5 / Claude / GPT]
    B --> F[(BigQuery FinOps Telemetry)]

• Quantifiable Impact: Centralized 100% of internal AI usage, providing real-time FinOps cost visibility and preventing budget overruns.

• Enterprise Vertical: Tier-1 Banking, Automotive & Supermarket Retail
• Core Stack: Python, Selenium, BigQuery, Connected Sheets, Cloud Functions, Cloud SQL
• Related Architecture Repository: data-engineering-toolkit
• The Problem: Media planning data across diverse clients was scattered across siloed tools and spreadsheets, preventing unified executive performance tracking.
• Engineering Solution:
  • Built specialized data ingestion pipelines tailoring parsing rules for banking, automotive, and retail data schemas into normalized BigQuery datasets.
  • Integrated bi-directional sync between BigQuery and Google Connected Sheets, allowing business users to interact with warehouse-grade data without writing SQL.
• Architecture Diagram:

graph LR
    A[Media Plans Excel / API] --> B[Python Ingestion Engine]
    B --> C[Schema Normalization]
    C --> D[(BigQuery Enterprise Warehouse)]
    D <--> E[Connected Sheets Bi-directional Sync]

• Quantifiable Impact: Replaced manual consolidation across 3 major client accounts, delivering daily automated budget reconciliation.

• Enterprise Vertical: Global Cosmetics & Beauty Leader
• Core Stack: Python, Gemini API, Pandas, Excel Automation, Cloud Storage
• Related Architecture Repository: gcp-infra-monitor
• The Problem: Reconciling planned TV advertising campaigns against real broadcast monitoring logs was executed quarterly via massive manual spreadsheets.
• Engineering Solution:
  • Automated the cross-referencing of actual TV broadcast logs against planned media flight dates, stations, and budget allocations.
  • Utilized AI-assisted entity matching to map inconsistent channel and program naming conventions into a persistent historical catalog.
• Architecture Diagram:

graph LR
    A[TV Broadcast Logs] --> B[Reconciliation Engine Python]
    B --> C[Gemini Entity Resolution]
    C --> D[Normalized Channel Mapping]
    D --> E[Audited Executive Report]

• Quantifiable Impact: Converted a quarterly manual audit into an automated monthly delivery, achieving 100% data reconciliation.

Jan 2026 – Present | Santiago, Chile / Remote

• Architected automated data pipelines connecting TikTok, Meta, Google Ads, and proprietary ad networks to BigQuery.
• Built and deployed the enterprise LiteLLM API Gateway managing token quotas, routing, and audit logs.
• Engineered multimodal OCR pipelines with Gemini 1.5, reducing document extraction latency by 99%.
• Accelerated analytics delivery cycles from 2 weeks to 2 days (85% speedup).

Apr 2024 – Dec 2025 | Santiago, Chile

• Tech Lead & Corporate Head of Planning & Supply Chain (Apr 2024 – Aug 2025): led a team of 4 engineers/analysts building a transnational procurement & logistics data platform (LATAM to China); designed the Snowflake enterprise data warehouse powering executive Power BI reporting; developed container logistics optimization models with Python and Gurobi.
• Data Engineer (Sep 2025 – Dec 2025), following an internal team reorganization: reduced data ingestion latency from 7 days to 1 day through high-throughput asynchronous scrapers; led NLP/AI-agent data indexing projects extracting market intelligence into corporate databases.

Jan 2023 – Mar 2024 | Santiago, Chile

• Full Stack Developer (Jun 2023 – Mar 2024): built the Purchasing Platform's analytical layer end-to-end (React frontend, FastAPI backend), integrating SAP MM with cloud storage.
• Full Stack Developer, Intern (Jan – Jun 2023): designed and implemented the first version of the Corporate Purchasing Platform.

Apr 2026 – Present

• Architects and manages 10+ Google Cloud Platform projects with centralized FinOps monitoring and IaC (Terraform).

• B.S. in Computer Science & Telecommunications Engineering — Universidad Diego Portales (2020 – 2025)
• B.S. in Computer Engineering Studies — Universidad Técnica Federico Santa María (UTFSM) (2016 – 2018)

• Target Roles: Senior Data Engineer, Lead Data Engineer, DataOps Architect, Cloud Solutions Architect (Data & AI), LLMOps & AI Platform Engineer, Analytics Engineer (Lead / Senior), Tech Lead (Data & AI).
• Work Arrangement: 100% Remote (Global, US, Europe, LATAM).
• Location & Relocation: Based in Santiago, Chile. Open to local employment, residency, and relocation to Brazil (fluent in Portuguese).
• Contract Types: Full-Time Employee (W2 / Direct Contract / CLT / PJ), B2B Contractor (C2C / International Invoice).
• Timezone Compatibility: Full overlap with Brazil (BRT / UTC-3), US Eastern (EST), US Central (CST), US Pacific (PST), and Chile (CLT / UTC-4).

Ingeniero de Datos Senior y Arquitecto Cloud especializado en el diseño, escalabilidad y mantenimiento de pipelines de datos de misión crítica, metodologías DataOps y ecosistemas de IA empresarial. Cerca de 4 años de experiencia construyendo arquitecturas de datos en la nube sobre Google Cloud Platform (GCP) y Snowflake, transformando procesos manuales complejos en pipelines de producción 100% automatizados y resilientes.

• Más de 30 Sistemas Empresariales Entregados: Trayectoria comprobada implementando pipelines de datos en producción, gateways de LLMOps y automatización de infraestructura en Medios, Retail, Banca, Agroquímica y FinTech.
• 100% de Automatización End-to-End: Eliminación de flujos de trabajo manuales en múltiples verticales de negocio, reduciendo la intervención humana a cero.
• 85% de Reducción en Latencia de Procesamiento: Aceleración de ciclos de ingesta y reportería de 2 semanas a 2 días mediante arquitecturas BigQuery orientadas a eventos y Google Cloud Pub/Sub.
• FinOps y Gobernanza Cloud: Arquitectura de entornos multi-proyecto en GCP con exportación automatizada de facturación, límites de costo en tiempo real y microservicios serverless de escala a cero.

• Automatización Cero Fricción: Si un proceso de datos requiere intervención manual más de una vez, se diseña un pipeline autónomo con autorecuperación.
• Idempotencia y Determinismo: Toda ingesta y transformación está diseñada para ser reejecutada sobre cualquier rango de fechas sin duplicar registros ni requerir limpiezas manuales.
• Contratos de Datos y Tipado Estricto: Los flujos de datos entrantes deben cumplir contratos estrictos de esquema (Pydantic v2 / JSON Schema) antes de ser promovidos a las capas de almacenamiento analítico.
• FinOps por Diseño: Particionado por fecha, clustering, límites de bytes escaneados y caché de BI Engine son obligatorios en BigQuery; las cargas serverless escalan a cero cuando no se usan.
• Observabilidad Proactiva: Pruebas automáticas, validación de desvío de datos (data drift) y alertas instantáneas por webhook ante fallos.

• Ingesta Idempotente (MERGE + Poda de Particiones): Pipelines de alto volumen ejecutan sentencias atómicas MERGE acotadas a particiones de fecha específicas, permitiendo reprocesamientos históricos sin bloqueos ni duplicados.
• Ingesta Dirigida por Eventos y Streaming (Pub/Sub + Eventarc): Pipelines desacoplados ingieren eventos asíncronos activando microservicios Cloud Run con colas de mensajes fallidos (Dead Letter Queue - DLQ).
• Pipelines Serverless Escala-a-Cero: Cargas de scraping empaquetadas en Cloud Run Jobs activadas por eventos de Cloud Storage y Cloud Scheduler, con costo computacional cero fuera de las ventanas de ejecución.
• Guardrails Semánticos en NL-to-SQL: Motores conversacionales basados en metadata de INFORMATION_SCHEMA, listas blancas de tablas y modo Dry Run en BigQuery para estimar el costo de escaneo antes de ejecutar la consulta.

• Validación Estricta de Esquemas y Contratos de Datos: Pydantic v2 y validación JSON Schema en todas las cargas de API, flujos de extracción y capas de promoción a data warehouse.
• CI/CD Automatizado: GitHub Actions y Azure Pipelines ejecutando pruebas unitarias, linters y pruebas de integración antes de cada despliegue.
• Telemetría y Alertas Proactivas: Registro centralizado en BigQuery con notificaciones automáticas a Slack y Microsoft Teams ante fallas de tareas o anomalías en datos.

graph LR
    subgraph Ingesta [Capa de Ingesta y Streaming de Eventos]
        A[Scrapers Playwright / Selenium] --> B[Google Cloud Storage]
        C[APIs REST / Redes Publicitarias] --> D[Google Cloud Pub/Sub]
        E[Facturas PDF Escaneadas] --> B
        D --> F[Cloud Eventarc]
    end

    subgraph Procesamiento [Capa de Procesamiento y DataOps]
        B --> G[Cloud Run Jobs / Functions]
        F --> G
        G --> H[Gemini 1.5 Multimodal / Validación Pydantic]
    end

    subgraph Almacenamiento [Data Lakehouse y Warehouse]
        H --> I[(Tablas Particionadas BigQuery)]
        I --> J[(Data Warehouse Snowflake)]
    end

    subgraph Consumo [Capa de Analítica y Servido de IA]
        I --> K[Vertex AI / Gateway NL-to-SQL]
        I --> L[Connected Sheets / Dashboards]
        K --> M[Bot MS Teams / Portal Web]
    end

• Español: Nativo
• Portugués: Fluido / Competencia Profesional
• Inglés: Lectura y escritura fluida (documentación técnica, chat asíncrono) — entrevistas y comunicación verbal solo en español o portugués

A continuación se detallan sistemas de producción y arquitecturas automatizadas desarrolladas para clientes corporativos y plataformas internas.

• Vertical: Finanzas Corporativas y Operaciones de Medios
• Stack: Python, Gemini 1.5 Multimodal Vision, Google Cloud Storage, BigQuery, FastAPI, Next.js
• Repositorio de Arquitectura: data-engineering-toolkit
• Desafío de Negocio: Cientos de facturas, órdenes de compra y documentos tributarios en PDF escaneados eran procesados a mano mensualmente, generando atrasos en pagos y errores de digitación.
• Solución de Ingeniería:
  • Diseño de un pipeline serverless asíncrono sobre Google Cloud.
  • Extracción automática de ítems, montos, impuestos y conversiones de divisa usando Gemini 1.5 Multimodal Vision con validación estricta de esquemas JSON (Pydantic).
  • Deduplicación y carga atómica en BigQuery y PostgreSQL con webhooks de validación inmediata.
• Diagrama de Arquitectura:

graph LR
    A[Facturas PDF Escaneadas] --> B[Bucket GCS]
    B --> C[Disparador Cloud Run]
    C --> D[Gemini 1.5 Vision OCR]
    D --> E[Validación Pydantic Schema]
    E --> F[(Data Warehouse BigQuery)]
    E --> G[(Base de Datos PostgreSQL)]

• Impacto Cuantificable: Automatización end-to-end del 100% sin digitación manual, reduciendo el procesamiento por documento de 4 días a menos de 15 segundos.

• Vertical: Empresa Multinacional de Electrónica de Consumo
• Stack: Vertex AI, Gemini API, BigQuery, FastAPI, Microsoft Bot Framework (Teams), Docker
• Repositorio de Arquitectura: data-engineering-toolkit
• Desafío de Negocio: Múltiples equipos comerciales y ejecutivos saturaban al equipo de BI con solicitudes ad-hoc diarias de reportes en SQL, provocando cuellos de botella y demoras de 48 a 72 horas.
• Solución de Ingeniería:
  • Arquitectura en 3 capas (Bot en Teams / Web -> Middleware en FastAPI -> Vertex AI + BigQuery).
  • Anclaje semántico de esquemas, barreras de seguridad (guardrails) y ejecución de consultas SQL en modo sandbox con estimación previa de costos de escaneo.
  • Respuestas interactivas mediante Adaptive Cards en Microsoft Teams y portal web corporativo.
• Diagrama de Arquitectura:

graph LR
    A[Consulta Teams / Web] --> B[Middleware FastAPI]
    B --> C[Vertex AI Anclaje Semántico]
    C --> D[Sandbox SQL y Límite de Costo]
    D --> E[(Ejecución BigQuery)]
    E --> F[Adaptive Cards / Gráficos]

• Impacto Cuantificable: Reducción del 65% en tickets ad-hoc de BI, entregando métricas de negocio precisas en menos de 4 segundos.

• Vertical: Cosmética, Farmacéutica y Retail Comercial
• Stack: Playwright, Cloud Run Jobs, BigQuery, Gemini Vision, Cloud Scheduler
• Repositorio de Arquitectura: data-engineering-toolkit
• Desafío de Negocio: La recolección de pauta publicitaria de la competencia se realizaba mediante descargas manuales dispersas e inconsistentes.
• Solución de Ingeniería:
  • Scrapers automatizados con Playwright orquestados mediante Cloud Run Jobs y Cloud Scheduler.
  • Pipeline de clasificación determinista mediante visión multimodal (Gemini Vision) para clasificar piezas creativas, generando miniaturas y taxonomías en BigQuery.
  • Sentencias MERGE particionadas por fecha para asegurar idempotencia total y evitar duplicidad en reejecuciones.
• Diagrama de Arquitectura:

graph LR
    A[Cloud Scheduler] --> B[Cloud Run Job Playwright]
    B --> C[Archivos en GCS]
    C --> D[Clasificador Gemini Vision]
    D --> E[MERGE Particionado Idempotente]
    E --> F[(Tabla Analítica BigQuery)]

• Impacto Cuantificable: Extracción automática diaria sobre más de 40 marcas competidoras, ahorrando más de 20 horas semanales de trabajo manual.

• Vertical: Holding Global de Publicidad y Tecnología
• Stack: LiteLLM, FastAPI, BigQuery, Cloud Run, Docker, Terraform
• Repositorio de Arquitectura: gcp-infra-monitor
• Desafío de Negocio: Diferentes equipos consumían APIs de modelos de lenguaje sin límites de cuota, control de costos ni trazabilidad de auditoría.
• Solución de Ingeniería:
  • Gateway centralizado con LiteLLM y FastAPI sobre Cloud Run con balanceo multi-modelo (Gemini / Claude / OpenAI).
  • Control de cuotas de tokens por equipo, autenticación con llaves virtuales y streaming de costos a BigQuery.
• Diagrama de Arquitectura:

graph LR
    A[Petición LLM de Equipo] --> B[Proxy LiteLLM FastAPI]
    B --> C[Control de Cuotas y Llaves]
    C --> D{Enrutador Multi-Modelo}
    D --> E[Gemini 1.5 / Claude / GPT]
    B --> F[(Telemetría FinOps BigQuery)]

• Impacto Cuantificable: Gobernanza y visibilidad FinOps en tiempo real del 100% del consumo de IA interna.

• Vertical: Banca, Automotriz y Retail de Supermercados
• Stack: Python, Selenium, BigQuery, Connected Sheets, Cloud Functions, Cloud SQL
• Repositorio de Arquitectura: data-engineering-toolkit
• Desafío de Negocio: Los planes de inversión publicitaria se gestionaban en planillas aisladas, dificultando la consolidación ejecutiva.
• Solución de Ingeniería:
  • Pipelines de ingesta con esquemas estandarizados para banca, automotriz y retail cargando hacia BigQuery.
  • Sincronización bidireccional con Google Connected Sheets para consulta directa sin requerir conocimientos de SQL.
• Diagrama de Arquitectura:

graph LR
    A[Planes de Medios Excel / API] --> B[Motor de Ingesta Python]
    B --> C[Normalización de Esquemas]
    C --> D[(Data Warehouse BigQuery)]
    D <--> E[Connected Sheets Sincronización Bidireccional]

• Impacto Cuantificable: Reemplazo de consolidación manual en 3 grandes cuentas, entregando conciliación presupuestaria automatizada diaria.

• Vertical: Multinacional Líder de Belleza y Cosmética
• Stack: Python, Gemini API, Pandas, Automatización Excel, Cloud Storage
• Repositorio de Arquitectura: gcp-infra-monitor
• Desafío de Negocio: La conciliación entre anuncios contratados y transmisiones reales se realizaba trimestralmente en planillas manuales.
• Solución de Ingeniería:
  • Cruce automático de logs reales de transmisión contra planes de pauta contratados.
  • Catálogo persistente de homologación de canales y programas asistido por IA.
• Diagrama de Arquitectura:

graph LR
    A[Logs de Transmisión TV] --> B[Motor de Conciliación Python]
    B --> C[Resolución de Entidades con Gemini]
    C --> D[Mapeo Homologado de Canales]
    D --> E[Reporte Ejecutivo Auditado]

• Impacto Cuantificable: Transformación de una auditoría trimestral manual a una entrega mensual 100% automatizada.

Ene 2026 – Presente | Santiago, Chile / Remoto

• Arquitectura de pipelines en BigQuery conectando TikTok, Meta, Google Ads y redes publicitarias.
• Desarrollo del AI Gateway corporativo con LiteLLM para gestión de cuotas y costos.
• Pipelines de OCR con Gemini 1.5, reduciendo la latencia de extracción en 99%.
• Aceleración de ciclos de entrega de 2 semanas a 2 días (85% de ganancia).

Abr 2024 – Dic 2025 | Santiago, Chile

• Tech Lead y Encargado Corporativo de Planificación y Abastecimiento (Abr 2024 – Ago 2025): liderazgo técnico de un equipo de 4 ingenieros/analistas en una plataforma transnacional de compras y logística (LATAM a China); arquitectura del data warehouse en Snowflake alimentando dashboards ejecutivos en Power BI; modelos de optimización logística de contenedores en Python + Gurobi.
• Ingeniero de Datos (Sep 2025 – Dic 2025), tras una reorganización interna del equipo: reducción del tiempo de ingesta de 7 días a 1 día con scrapers asíncronos en Python; liderazgo de proyectos de indexación de datos con NLP y agentes de IA.

Ene 2023 – Mar 2024 | Santiago, Chile

• Full Stack Developer (Jun 2023 – Mar 2024): desarrollo end-to-end de la capa analítica de la Plataforma de Compras (frontend React, backend FastAPI), integrando SAP MM con almacenamiento cloud.
• Full Stack Developer, Práctica (Ene – Jun 2023): diseño e implementación de la primera versión de la Plataforma Corporativa de Compras.

Abr 2026 – Presente

• Gestión y arquitectura de 10+ proyectos GCP con monitoreo FinOps e infraestructura como código (Terraform).

• Ingeniería Civil en Informática y Telecomunicaciones — Universidad Diego Portales (2020 – 2025)
• Estudios de Ingeniería Civil en Informática — Universidad Técnica Federico Santa María (UTFSM) (2016 – 2018)

• Roles Objetivo: Senior Data Engineer, Lead Data Engineer, DataOps Architect, Cloud Solutions Architect (Data & AI), LLMOps & AI Platform Engineer, Analytics Engineer (Lead / Senior), Tech Lead (Data & AI).
• Modalidad de Trabajo: 100% Remoto (Global, EE.UU., Europa, LATAM).
• Ubicación y Relocación: Residencia en Santiago, Chile. Abierto a contratación local, residencia y relocación a Brasil (dominio fluido de portugués).
• Tipos de Contrato: Full-Time (CLT / Directo), Contrato B2B (PJ / Contractor / Invoice Internacional).
• Compatibilidad de Zona Horaria: Solapamiento completo con Brasil (BRT / UTC-3), EE.UU. (EST, CST, PST) y Chile (CLT / UTC-4).

Engenheiro de Dados Sênior e Arquiteto Cloud especializado no design, escalabilidade e sustentação de pipelines de dados de missão crítica, metodologias DataOps e ecossistemas de IA corporativa. Quase 4 anos de experiência construindo arquiteturas de dados em nuvem no Google Cloud Platform (GCP) e Snowflake, transformando processos manuais complexos em pipelines de produção 100% automatizados e resilientes.

• Mais de 30 Sistemas Corporativos Entregues: Experiência comprovada implementando pipelines de dados em produção, gateways de LLMOps e automação de infraestrutura em Mídia, Varejo, Bancos, Agroquímica e FinTech.
• 100% de Automação Ponta a Ponta: Eliminação de fluxos manuais de trabalho em múltiplas verticais, reduzindo a intervenção humana a zero.
• 85% de Redução na Latência de Processamento: Aceleração de ciclos de ingestão e relatórios de 2 semanas para 2 dias utilizando arquiteturas BigQuery orientadas a eventos e Google Cloud Pub/Sub.
• FinOps e Governança Cloud: Arquitetura de ambientes multi-projeto no GCP com exportação automática de faturamento, limites de custo em tempo real e microsserviços serverless com escala a zero.

• Automação Zero Fricção: Se um fluxo de dados requer intervenção manual mais de uma vez, projeta-se um pipeline autônomo e autorrecuperável.
• Idempotência e Determinismo: Toda ingestão e transformação é projetada para ser reexecutada em qualquer intervalo de datas sem duplicar registros.
• Contratos de Dados e Tipagem Estrita: Os fluxos de dados de entrada devem cumprir asserções rígidas de contrato de esquema (Pydantic v2 / JSON Schema) antes da promoção para as camadas analíticas.
• FinOps por Design: Particionamento por data, clustering, limites de bytes escaneados e cache do BI Engine são obrigatórios no BigQuery; cargas serverless escalam a zero quando ociosas.
• Observabilidade Proativa: Testes automáticos, validação de desvio de dados (data drift) e alertas instantâneos via webhook em caso de falha.

• Ingestão Idempotente (MERGE + Poda de Partições): Pipelines de alto volume executam comandos atômicos MERGE restritos a partições específicas de data, permitindo reprocessamentos históricos sem bloqueios nem duplicatas.
• Ingestão Baseada em Eventos e Streaming (Pub/Sub + Eventarc): Pipelines desacoplados consom eventos assíncronos acionando microsserviços Cloud Run com filas de mensagens com falha (DLQ).
• Pipelines Serverless Escala-a-Zero: Cargas de trabalho de raspagem empacotadas no Cloud Run Jobs disparadas por eventos do Cloud Storage e Cloud Scheduler, gerando custo computacional zero fora das janelas de execução.
• Guardrails Semânticos em NL-to-SQL: Motores conversacionais fundamentados em metadados do INFORMATION_SCHEMA, listas de permissão de tabelas e modo Dry Run no BigQuery para validar custos antes da execução.

• Validação Rígida de Esquemas e Contratos de Dados: Pydantic v2 e validação JSON Schema em todas as cargas de API, fluxos de extração e camadas de promoção para data warehouse.
• CI/CD Automatizado: GitHub Actions e Azure Pipelines executando testes unitários, linters e testes de integração antes do deploy.
• Telemetria e Alertas Proativos: Registro centralizado no BigQuery com notificações automáticas para Slack e Microsoft Teams em caso de falha ou desvio de dados.

graph LR
    subgraph Ingestão [Camada de Ingestão e Streaming de Eventos]
        A[Scrapers Playwright / Selenium] --> B[Google Cloud Storage]
        C[APIs REST / Redes de Anúncios] --> D[Google Cloud Pub/Sub]
        E[Faturas PDF Escaneadas] --> B
        D --> F[Cloud Eventarc]
    end

    subgraph Processamento [Camada de Processamento e DataOps]
        B --> G[Cloud Run Jobs / Functions]
        F --> G
        G --> H[Gemini 1.5 Multimodal / Contratos Pydantic]
    end

    subgraph Armazenamento [Data Lakehouse e Warehouse]
        H --> I[(Tabelas Particionadas BigQuery)]
        I --> J[(Data Warehouse Snowflake)]
    end

    subgraph Consumo [Camada de Analytics e IA]
        I --> K[Vertex AI / Gateway NL-to-SQL]
        I --> L[Connected Sheets / Dashboards]
        K --> M[Bot MS Teams / Portal Web]
    end

• Espanhol: Nativo
• Português: Fluente / Proficiência Profissional Plena
• Inglês: Leitura e escrita fluente (documentação técnica, chat assíncrono) — entrevistas e comunicação verbal somente em espanhol ou português

Abaixo estão arquiteturas em produção e sistemas automatizados desenvolvidos para clientes corporativos.

• Setor: Finanças Corporativas e Operações de Mídia
• Stack: Python, Gemini 1.5 Multimodal Vision, Google Cloud Storage, BigQuery, FastAPI, Next.js
• Repositório de Arquitetura: data-engineering-toolkit
• Desafio de Negócio: Centenas de faturas em PDF escaneadas eram processadas manualmente todo mês, gerando atrasos em pagamentos e erros operacionais.
• Solução de Engenharia:
  • Pipeline serverless assíncrono no Google Cloud.
  • Extração com Gemini 1.5 Multimodal Vision e validação rígida de esquemas JSON (Pydantic).
  • Deduplicação e carga atômica no BigQuery e PostgreSQL com webhooks de validação imediata.
• Diagrama de Arquitetura:

graph LR
    A[Faturas PDF Escaneadas] --> B[Bucket GCS]
    B --> C[Disparador Cloud Run]
    C --> D[Gemini 1.5 Vision OCR]
    D --> E[Validação Pydantic Schema]
    E --> F[(Data Warehouse BigQuery)]
    E --> G[(Banco de Dados PostgreSQL)]

• Impacto Quantificável: 100% de automação ponta a ponta, reduzindo o tempo de processamento de 4 dias para menos de 15 segundos por documento.

• Setor: Empresa Multinacional de Eletrônicos de Consumo
• Stack: Vertex AI, Gemini API, BigQuery, FastAPI, Microsoft Bot Framework (Teams), Docker
• Repositório de Arquitetura: data-engineering-toolkit
• Desafio de Negócio: Equipes comerciais sobrecarregavam a equipe de BI com solicitações pontuais de SQL, gerando prazos de espera de 48 a 72 horas.
• Solução de Engenharia:
  • Arquitetura em 3 camadas (Teams Bot / Web -> Middleware FastAPI -> Vertex AI + BigQuery).
  • Ancoragem semântica de esquemas, guardrails e execução em sandbox com estimativa prévia de custos (Dry Run).
  • Respostas interativas via Adaptive Cards no Microsoft Teams e portal web.
• Diagrama de Arquitetura:

graph LR
    A[Consulta Teams / Web] --> B[Middleware FastAPI]
    B --> C[Vertex AI Ancoragem Semântica]
    C --> D[Sandbox SQL e Limite de Custo]
    D --> E[(Execução BigQuery Analytics)]
    E --> F[Adaptive Cards / Gráficos]

• Impacto Quantificável: Redução de 65% nos tickets ad-hoc de BI, entregando métricas precisas em menos de 4 segundos.

• Setor: Cosméticos, Farmacêutica e Varejo Comercial
• Stack: Playwright, Cloud Run Jobs, BigQuery, Gemini Vision, Cloud Scheduler
• Repositório de Arquitetura: data-engineering-toolkit
• Desafio de Negócio: A coleta de dados da concorrência era realizada por downloads manuais lentos e desestruturados.
• Solução de Engenharia:
  • Scrapers automatizados com Playwright orquestrados via Cloud Run Jobs e Cloud Scheduler.
  • Classificação determinística com visão multimodal (Gemini Vision) para categorizar anúncios no BigQuery com miniaturas automáticas.
  • Comandos MERGE particionados garantindo idempotência total e zero registros duplicados.
• Diagrama de Arquitetura:

graph LR
    A[Cloud Scheduler] --> B[Cloud Run Job Playwright]
    B --> C[Arquivos no GCS]
    C --> D[Classificador Gemini Vision]
    D --> E[MERGE Particionado Idempotente]
    E --> F[(Tabela Analítica BigQuery)]

• Impacto Quantificável: Extração diária automatizada de +40 marcas concorrentes, economizando +20 horas semanais de trabalho manual.

• Setor: Holding Global de Publicidade e Tecnologia
• Stack: LiteLLM, FastAPI, BigQuery, Cloud Run, Docker, Terraform
• Repositório de Arquitetura: gcp-infra-monitor
• Desafio de Negócio: Múltiplas equipes consumiam APIs de LLM sem controle de custos, cotas ou auditoria centralizada.
• Solução de Engenharia:
  • Gateway centralizado com LiteLLM e FastAPI no Cloud Run com balanceamento multi-modelo (Gemini / Claude / OpenAI).
  • Controle de cotas por equipe, chaves virtuais e streaming assíncrono de custos para o BigQuery.
• Diagrama de Arquitetura:

graph LR
    A[Requisição LLM da Equipe] --> B[Proxy LiteLLM FastAPI]
    B --> C[Validação de Cotas e Chaves]
    C --> D{Roteador Multi-Modelo}
    D --> E[Gemini 1.5 / Claude / GPT]
    B --> F[(Telemetria FinOps BigQuery)]

• Impacto Quantificável: Governança e visibilidade FinOps em tempo real de 100% do consumo corporativo de IA.

• Setor: Bancos, Automotivo e Varejo Supermercadista
• Stack: Python, Selenium, BigQuery, Connected Sheets, Cloud Functions, Cloud SQL
• Repositório de Arquitetura: data-engineering-toolkit
• Desafio de Negócio: Planos de mídia residiam em planilhas dispersas, dificultando o acompanhamento financeiro executivo.
• Solução de Engenharia:
  • Pipelines de ingestão com esquemas padronizados carregando dados para o BigQuery.
  • Sincronização bidirecional com o Google Connected Sheets para consulta direta sem necessidade de SQL.
• Diagrama de Arquitetura:

graph LR
    A[Planos de Mídia Excel / API] --> B[Motor de Ingestão Python]
    B --> C[Normalização de Esquemas]
    C --> D[(Data Warehouse BigQuery)]
    D <--> E[Connected Sheets Sincronização Bidirecional]

• Impacto Quantificável: Conciliação orçamentária 100% automatizada com atualização diária.

• Setor: Multinacional de Beleza e Cosméticos
• Stack: Python, Gemini API, Pandas, Automação Excel, Cloud Storage
• Repositório de Arquitetura: gcp-infra-monitor
• Desafio de Negócio: A conciliação entre anúncios contratados e transmissões reais era feita trimestralmente em planilhas manuais.
• Solução de Engenharia:
  • Cruzamento automático de logs reais de transmissão contra planos de veiculação.
  • Catálogo persistente de homologação de canais e programas assistido por IA.
• Diagrama de Arquitetura:

graph LR
    A[Logs de Transmissão TV] --> B[Motor de Conciliação Python]
    B --> C[Resolução de Entidades com Gemini]
    C --> D[Mapeamento Homologado de Canais]
    D --> E[Relatório Executivo Auditado]

• Impacto Quantificável: Migração de auditorias trimestrais manuais para um ciclo mensal 100% automatizado.

Jan 2026 – Presente | Santiago, Chile / Remoto

• Arquitetura de pipelines no BigQuery conectando TikTok, Meta, Google Ads e redes de mídia.
• Desenvolvimento do AI Gateway corporativo com LiteLLM para gestão de cotas e custos.
• Pipelines de OCR com Gemini 1.5, reduzindo a latência de extração em 99%.
• Aceleração de ciclos de entrega de 2 semanas para 2 dias (85% de ganho).

Abr 2024 – Dez 2025 | Santiago, Chile

• Tech Lead e Responsável Corporativo de Planejamento e Suprimentos (Abr 2024 – Ago 2025): liderança técnica de uma equipe de 4 engenheiros/analistas em plataforma transnacional de compras e logística (LATAM para China); arquitetura do data warehouse no Snowflake alimentando dashboards executivos no Power BI; modelos de otimização logística de contêineres em Python + Gurobi.
• Engenheiro de Dados (Set 2025 – Dez 2025), após uma reorganização interna da equipe: redução do tempo de ingestão de 7 dias para 1 dia com scrapers assíncronos em Python; liderança de projetos de indexação de dados com NLP e agentes de IA.

Jan 2023 – Mar 2024 | Santiago, Chile

• Full Stack Developer (Jun 2023 – Mar 2024): desenvolvimento ponta a ponta da camada analítica da Plataforma de Compras (frontend React, backend FastAPI), integrando SAP MM com armazenamento em nuvem.
• Full Stack Developer, Estagiário (Jan – Jun 2023): design e implementação da primeira versão da Plataforma Corporativa de Compras.

Abr 2026 – Presente

• Gestão e arquitetura de 10+ projetos GCP com monitoramento FinOps e infraestrutura como código (Terraform).

• Bacharelado em Engenharia Civil em Informática e Telecomunicações — Universidad Diego Portales (2020 – 2025)
• Estudos em Engenharia Civil em Informática — Universidad Técnica Federico Santa María (UTFSM) (2016 – 2018)

• Cargos de Interesse: Senior Data Engineer, Lead Data Engineer, DataOps Architect, Cloud Solutions Architect (Data & AI), LLMOps & AI Platform Engineer, Analytics Engineer (Lead / Senior), Tech Lead (Data & AI).
• Modelo de Trabalho: 100% Remoto (Brasil, EUA, Europa, LATAM).
• Localização e Relocação: Base em Santiago, Chile. Disponível para contratação local, residência e relocação no Brasil (português fluente).
• Formatos de Contrato: CLT, PJ (Pessoa Jurídica / B2B), Contrato Internacional (Invoice / C2C / W2).
• Fuso Horário: Compatibilidade total com o horário de Brasília (BRT / UTC-3), EUA (EST, CST, PST) e Chile (CLT / UTC-4).