FiscalPilot — Ongoing

Stack: Python, FastAPI, LangGraph, Claude API, Supabase (Postgres + pgvector), Next.js, PSD2 (GoCardless)

Agentic SaaS acting as a virtual CFO for Spanish freelancers: connects to bank accounts via PSD2, automatically reserves taxes (IVA/IRPF), classifies expenses, and proposes investment of idle cash—all under human-in-the-loop approval and full auditability (GDPR, EU AI Act, MiFID II compliant). Built on a deterministic tax engine with an agentic LangGraph layer above for reasoning.

RAG for European Financial Regulation — Master's Thesis (TFM) — Ongoing

Stack: Python, LangChain, vector databases, sentence-transformers, RAGAS, LLM APIs

Empirical study designing and evaluating Retrieval-Augmented Generation systems applied to the full hierarchy of European financial regulation (EU Regulations, RTS, ESMA Q&As, CNMV criteria). Building a modular RAG pipeline, releasing a public benchmark of validated reference Q&A pairs, and benchmarking chunking strategies, embedding models, and generator LLMs across standard retrieval metrics (Recall@k, MRR) and generation metrics (faithfulness, answer relevance) following the RAGAS framework and LegalBench-RAG methodology.

AutoVideo

Stack: Python, Typer, Claude API (Anthropic), ElevenLabs, Playwright, Jinja2, FFmpeg, WhisperX, Pydantic v2, Docker

Tool that fully automates the video-creation workflow: from a list of bullet points and a target duration, it produces a finished narrated slide video with zero manual editing. Orchestrates an end-to-end pipeline (LLM storyboard design → HTML/CSS slides rendered to PNG via Playwright → duration-calibrated voice-over script → ElevenLabs TTS or mic recording aligned with WhisperX → FFmpeg assembly with synchronized subtitles), all driven by code-defined SVG visuals (no stock or AI images). Exposes 4 automation levels (from stage-by-stage review to fully autonomous) and ships as a CLI with a dry-run cost estimator, plus a Dockerized build.

RoleRadar

Stack: Python, FastAPI, n8n, Streamlit, APScheduler, OpenAI (GPT-4o), BGE-M3 embeddings (sentence-transformers), Instructor, Pydantic v2, Docker Compose, Telegram

Autonomous job-matching radar that ingests raw postings from multiple job boards, normalizes and semantically deduplicates them, and honestly scores each one against my real profile—parsed directly from my CV PDF—via a hybrid heuristic fusing deterministic rules (role-ranking decay, seniority, location/remote, hard deal-breakers) with LLM judgment. Built around a single intelligent core shipped in two automation setups: (v1) the smart pieces run as a service while n8n handles the daily schedule, source ingestion, and digest delivery; (v2) a self-contained app that fetches, cleans, ranks, and pushes a Telegram/email digest on schedule with no human in the loop, behind a simple web UI. Scoring runs fully offline by default, with the LLM as an optional layer for written explanations—so it works end-to-end even without an API key.

FinFeed

Stack: Next.js, TypeScript, Python, Supabase, GitHub Actions, Groq (Llama 3.3 70B), OpenAI TTS, FFmpeg, faster-whisper

Autonomous multi-modal news pipeline that delivers AI-generated short-form videos twice daily across Finance and Tech categories. Engineered an end-to-end CI/CD pipeline (RSS ingestion → LLM script generation → TTS narration → animated subtitles → FFmpeg video synthesis → Supabase delivery) running in under 15 minutes with zero human intervention.

Florida Real Estate Price Prediction

Stack: Python, scikit-learn, XGBoost/LightGBM, Pandas, geospatial libraries

End-to-end ML pipeline for a Master's-level competition predicting Florida property prices on a dataset with ~60 features including JSON-nested attributes and geographic coordinates. Engineered domain-specific features (location clustering, property type encoding), benchmarked gradient boosting models, and optimized for MAE.

FiscalPilot — En desarrollo

Stack: Python, FastAPI, LangGraph, Claude API, Supabase (Postgres + pgvector), Next.js, PSD2 (GoCardless)

SaaS agéntico que actúa como un CFO virtual para autónomos en España: se conecta a las cuentas bancarias vía PSD2, reserva automáticamente los impuestos (IVA/IRPF), clasifica los gastos y propone la inversión del efectivo ocioso, todo bajo aprobación human-in-the-loop y plena auditabilidad (cumple RGPD, EU AI Act y MiFID II). Construido sobre un motor fiscal determinista con una capa agéntica de LangGraph por encima para el razonamiento.

RAG para Regulación Financiera Europea — Trabajo Fin de Máster (TFM) — En desarrollo

Stack: Python, LangChain, bases de datos vectoriales, sentence-transformers, RAGAS, APIs de LLM

Estudio empírico que diseña y evalúa sistemas de Retrieval-Augmented Generation aplicados a la jerarquía completa de la regulación financiera europea (Reglamentos UE, RTS, Q&As de ESMA, criterios de la CNMV). Construyo un pipeline RAG modular, publico un benchmark abierto de pares pregunta-respuesta de referencia validados, y comparo estrategias de chunking, modelos de embedding y LLMs generadores sobre métricas estándar de recuperación (Recall@k, MRR) y de generación (faithfulness, answer relevance), siguiendo el framework RAGAS y la metodología LegalBench-RAG.

AutoVideo

Stack: Python, Typer, Claude API (Anthropic), ElevenLabs, Playwright, Jinja2, FFmpeg, WhisperX, Pydantic v2, Docker

Herramienta que automatiza por completo el workflow de creación de vídeos: a partir de una lista de bullet points y una duración objetivo, genera un vídeo final de slides narrado sin edición manual. Orquesta un pipeline de extremo a extremo (diseño de storyboard con LLM → slides en HTML/CSS renderizadas a PNG con Playwright → guion de voz en off calibrado a la duración → narración TTS con ElevenLabs o grabación de micro alineada con WhisperX → ensamblado con FFmpeg y subtítulos sincronizados), con visuales definidos por código mediante iconos SVG (sin imágenes de stock ni generadas por IA). Ofrece 4 niveles de automatización (desde revisión etapa por etapa hasta totalmente autónomo) y se distribuye como CLI con estimador de coste en dry-run y build dockerizado.

RoleRadar

Stack: Python, FastAPI, n8n, Streamlit, APScheduler, OpenAI (GPT-4o), embeddings BGE-M3 (sentence-transformers), Instructor, Pydantic v2, Docker Compose, Telegram

Radar autónomo de matching de empleo que ingiere ofertas en bruto de múltiples portales, las normaliza y deduplica semánticamente, y puntúa cada una de forma honesta frente a mi perfil real—extraído directamente del PDF de mi CV—mediante una heurística híbrida que fusiona reglas deterministas (decaimiento por ranking de roles, seniority, ubicación/remoto, deal-breakers excluyentes) con el juicio de un LLM. Construido en torno a un único núcleo inteligente desplegado en dos configuraciones de automatización: (v1) las piezas inteligentes corren como servicio mientras n8n gestiona la planificación diaria, la ingesta de fuentes y el envío del digest; (v2) una app autónoma que obtiene, limpia, ordena y envía un digest por Telegram/email de forma programada sin intervención humana, tras una interfaz web sencilla. La puntuación funciona totalmente offline por defecto, con el LLM como capa opcional para explicaciones escritas—de modo que funciona de extremo a extremo incluso sin una API key.

FinFeed

Stack: Next.js, TypeScript, Python, Supabase, GitHub Actions, Groq (Llama 3.3 70B), OpenAI TTS, FFmpeg, faster-whisper

Pipeline autónomo multimodal de noticias que genera y publica vídeos cortos generados por IA dos veces al día en las categorías de Finanzas y Tecnología. Diseñé un pipeline CI/CD de extremo a extremo (ingesta de RSS → generación de guion con LLM → narración TTS → subtítulos animados → síntesis de vídeo con FFmpeg → entrega en Supabase) que se ejecuta en menos de 15 minutos sin intervención humana.

Florida Real Estate Price Prediction

Stack: Python, scikit-learn, XGBoost/LightGBM, Pandas, librerías geoespaciales

Pipeline de Machine Learning de extremo a extremo para una competición a nivel de Máster de predicción de precios inmobiliarios en Florida sobre un dataset con ~60 variables, incluyendo atributos JSON anidados y coordenadas geográficas. Realicé ingeniería de variables específicas del dominio (clustering por ubicación, codificación de tipo de propiedad), comparé modelos de gradient boosting y optimicé el MAE.