Sobre mí

Mi primer contacto con la programación fue dentro de Minecraft. Ya lo jugaba de chico, pero en la adolescencia me fui hacia el lado más técnico del juego: empecé a experimentar con comandos, a crear ítems y mobs propios y a bocetar un mapa estilo Capture the Flag que nunca llegué a terminar. Ahí fue cuando la palabra programar dejó de ser algo abstracto para mí. Busqué “cómo aprender a programar” y caí en el stack web de siempre - HTML, CSS y JavaScript -, después pasé a Python, un lenguaje del que venía escuchando hacía años, y lo seguí hasta el machine learning cuando vi para qué se usaba realmente.

Soy Hernan Rochon, ML Engineer y Data Scientist radicado en Uruguay. Construyo sistemas de machine learning end-to-end que resuelven problemas concretos de negocio - riesgo de clientes, fuga, detección de anomalías, anticipación de demanda - y los convierto en servicios confiables sobre los que se puede decidir. El trabajo cubre todo el ciclo de vida del ML, desde pipelines de datos y feature engineering hasta entrenamiento, evaluación y despliegue, con foco en que esté listo para producción, sea interpretable y tenga impacto medible.

Me importan los sistemas reproducibles, testeables y honestos sobre sus limitaciones: modelos que llegan a producción, siguen funcionando y avisan cuando no hay que confiar en ellos.

Actualmente busco mi primer rol profesional como ML Engineer o Data Scientist. Estoy abierto a oportunidades remotas.

CÓMO TRABAJO

Desarrollo asistido por IA - OpenCode como motor de implementación, guiado por specs detalladas y decisiones de arquitectura que defino y reviso yo
Testing - pytest con reporte de cobertura - 127 tests, 82% de cobertura en BizSentinel
Tracking de experimentos - MLflow para registro de modelos, métricas y versionado de artefactos
Contenedores - Docker y docker-compose para entornos reproducibles
CI/CD - GitHub Actions para linting, chequeo de tipos y tests automatizados
Tipado estricto - Contratos de datos con Pydantic y análisis estático con Pyright en todos los proyectos
Reproducibilidad - uv para gestión de entornos, configs en YAML, decisiones documentadas
Disciplina con Git - Conventional commits y ramas por feature
Documentación - Docs de arquitectura, registro de decisiones y AGENTS.md en cada proyecto