Pasé tres años validando sistemas farmacéuticos bajo las normas de la FDA. Hoy construyo productos, sistemas de retrieval y modelos con la misma disciplina.
Inglés y español, ambos con fluidez profesional: 8.5 años en Estados Unidos entre estudios e industria, 17.5 en Venezuela y, desde 2024, en Colombia.
Antes del software
Antes de dar el salto al software, trabajé como ingeniero de validación en cGMP Consulting Inc. en Illinois, con proyectos para AbbVie, Fresenius Kabi y otras empresas farmacéuticas y de dispositivos médicos.
Era trabajo muy cargado de GMP: protocolos IQ/OQ/PQ, Periodic Validation Reviews, FMEAs, SOPs, controles de cambio y apoyo en CAPA bajo FDA 21 CFR. Ahí aprendí a documentar con precisión, priorizar el riesgo y tratar los controles de calidad como parte de lanzar — hábitos que sigo usando al diseñar políticas RLS, harnesses de evaluación y revisiones de seguridad previas al lanzamiento.
De productos a sistemas de datos y ML
Empecé construyendo y lanzando productos web — frontends en React, backends en Supabase, flujos de cobro y la documentación que los hace mantenibles. De ahí viene la mitad de ingeniería de mi trabajo, y por eso me importa que un modelo termine en algún lugar donde la gente pueda usarlo.
El trabajo se movió hacia los datos y el modelado: pronóstico a un día sobre datos de panel con líneas base que reporto incluso cuando fallan, ETL medallion en Databricks con chequeos automáticos de calidad de datos, y modelos de riesgo crediticio construidos sobre evaluación en holdout antes de recurrir a algo más complejo. También estoy cursando una maestría en Data Science en la University of Pennsylvania, que me obliga a combinar el instinto de lanzar con evaluación rigurosa y fundamentos de modelado.
Primeras experiencias
Mis primeros proyectos fueron herramientas y experimentos pequeños — automatizar flujos repetitivos, aprender a estructurar bases de datos y entender por qué la seguridad importa antes de tener usuarios (y sobre todo después).
Esa curiosidad se trasladó al trabajo en producción: sistemas operativos de retail para América Latina, plataformas de estacionamientos con una capa de concierge con IA, y revisión de authz previa al lanzamiento en apps multi-tenant sobre Supabase.
Formación
- University of Pennsylvania
- MSE, Artificial Intelligence, Machine Learning and Data Science. Philadelphia, PA.
- En curso, GPA 3.93
- University of Wisconsin–Madison
- BS, Chemical Engineering. Madison, WI.
- GPA 3.72
Habilidades
Data science y analítica, Entrenamiento y evaluación de ML, Pronóstico de series de tiempo, Feature engineering, Pipelines de datos y ETL, SQL y dashboards, Integración de IA / RAG, Workflows de agentes, Revisión de seguridad, Escritura técnica.
Herramientas
Python, pandas, scikit-learn, Jupyter, Databricks, Delta Lake, SQL, PostgreSQL, FastAPI, React, TypeScript, Next.js, Supabase, Docker, Cloudflare, n8n, Gemini, ComfyUI, Cursor, Claude Code.
Más allá de las pantallas
Fuera del trabajo con clientes y de producto, construyo herramientas pequeñas que nacen de una molestia real — casi siempre en el cruce entre automatización, datos y herramientas creativas. No son proyectos paralelos para llenar una casilla del portafolio; cada uno salió de una pregunta que de verdad quería responder.
El Prediction Market Forensic Monitor salió de mirar los mercados de predicción alrededor de noticias grandes: wallets que colocan apuestas fuertes minutos antes de que salga el titular, patrones que se parecen bastante a información privilegiada. Quería un pipeline en n8n que pudiera marcar esas irregularidades temprano — recolectar la actividad, puntuar el timing contra eventos públicos y sacar a la luz pistas que valgan una mirada más de cerca.
Brand Sentinel empezó más cerca de casa. Mi mamá tiene una idea de startup ligada a la finca de mis abuelos, y necesitaba una forma de seguirle la pista a la competencia sin pasar horas investigando a mano. El workflow hace scraping de los sitios de la competencia, pasa los resúmenes por Gemini y OpenAI, y deja actualizaciones estructuradas en Airtable — un monitoreo de mercado liviano para un negocio familiar que está encontrando su camino.
El pipeline de sprites en ComfyUI es la apuesta creativa: tres workflows (poses, caminata, carrera) que convierten LoRAs de personajes en frames chibi multidireccionales con ControlNet y estilo pixel art. La idea es ver si puedo desarrollar yo solo un juego indie completo con la IA encargándose del trabajo pesado de los assets — para gastar mi tiempo en las mecánicas, la historia y la sensación del juego en vez de redibujar cada frame a mano.
Trabajemos juntos
manuel@manuelvargas.devAbierto a roles de tiempo completo y a contratos freelance. Respondo en menos de 48 horas.