Christian Quidel
Data Scientist Trainee • MLOps • Python & Cloud Architecture
Egresado de Oracle Next Education (ONE) & Alura Latam con sólida trayectoria previa en diagnóstico por imágenes hospitalario (UCI, Terapia y Neonatología). Transformo datos complejos en soluciones de Machine Learning de alto rendimiento listas para producción, con foco en inferencia nativa ONNX, arquitectura en la nube (OCI) y rigor antifrágil.
Proyectos Destacados de Machine Learning
Soluciones integrales de ciencia de datos, PLN, optimización de latencia y despliegue en la nube.
FinanceAI – Intelligent Financial Diagnostic & NLP Platform
Solución integral desarrollada durante el Hackathon de Oracle Next Education (ONE). Incluye un pipeline de Procesamiento de Lenguaje Natural (PLN) para categorizar transacciones bancarias, un modelo de evaluación de salud financiera y despliegue multi-contenedor en la nube.
Aspectos Técnicos Destacados:
- • Clasificación de 240.000+ transacciones financieras en 10 categorías mediante Scikit-learn (TF-IDF + Clasificador Lineal) evaluado con Macro y Weighted F1-Score.
- • Serialización de modelos a formato ONNX (skl2onnx) para inferencia nativa en Java 17 / Spring Boot con latencia menor a 0.8ms.
- • Prevención estricta de fuga de datos (data leakage) con particiones temporales y validación cruzada estratificada con GridSearchCV.
- • Orquestación de 4 microservicios (Vue 3, Spring Boot, MySQL, Jupyter) con Docker Compose en Oracle Cloud Infrastructure (OCI).
Predictive Modeling & Tabular Data Analytics Engine
Entorno estructurado de experimentación analítica para datasets tabulares de alto volumen. Implementa algoritmos de detección de valores atípicos (IQR), transformaciones de variables continuas y comparación rigurosa de algoritmos de clasificación y regresión.
Aspectos Técnicos Destacados:
- • Análisis exploratorio multidimensional y visualización estadística con Pandas, Matplotlib y Seaborn.
- • Pipelines automatizados de preprocesamiento: imputación de valores faltantes, normalización StandardScaler y One-Hot Encoding.
- • Evaluación de modelos base (Regresión Logística, Árboles de Decisión) mediante curvas ROC-AUC, matrices de confusión y F1-Score ponderado.
- • Documentación técnica reproducible siguiendo estándares de código limpio PEP 8.
Benchmark de Inferencia y Validación
Comparación empírica de latencia de inferencia entre microservicio Python puro y serialización nativa ONNX en Java 17 (Spring Boot).
Latencia de Inferencia por Petición (ms)
↓ 98.2% ReducciónResultados de Producción
Sobrecarga HTTP inter-servicio + runtime de Python.
Ejecución directa en memoria nativa sin saltos de red.
Publicaciones & Hilos en X
Notas sobre Machine Learning, MLOps, validación estadística y arquitectura en la nube.
Próximamente publicaciones técnicas
Estaré compartiendo notas y aprendizajes sobre pipelines de Machine Learning, MLOps e ingeniería de datos en mi cuenta oficial de X.
De la Radiología Clínica a la Ciencia de Datos
Mi formación previa en diagnóstico por imágenes en entornos hospitalarios críticos (Terapia Intensiva, Unidad Coronaria y Neonatología) forjó en mí un estándar irrenunciable: la precisión absoluta ante datos ruidosos y la capacidad de ejecutar con serenidad bajo presión extrema.
En radiología aprendí a distinguir la señal del ruido antes de tomar una decisión que impacta vidas. Trasladar esa mirada a la Ciencia de Datos y el Machine Learning fue una evolución natural: transformar datos desestructurados en modelos predictivos resilientes y reproducibles.
Me considero un defensor del pensamiento crítico y los principios de Nassim Nicholas Taleb sobre la antifragilidad: antes de confiar ciegamente en una métrica de precisión, evalúo la incertidumbre, la distribución de colas pesadas y prevengo la fuga de datos en cada etapa del pipeline.
- Modelos interpretables con validación cruzada rigurosa.
- MLOps y despliegue real en contenedores (Docker / OCI).
- Comunicación transversal y contratos de API claros con equipos de Software.
Cursos & Especializaciones en Curso
Ampliando mi stack técnico con foco en seguridad, contenedorización e infraestructura para producción.
Ciberseguridad
Ingeniería de seguridad y análisis de amenazas: protocolos de defensa de redes, gestión de eventos e información de seguridad (SIEM), triaje de incidentes y scripting en Python para automatización de seguridad e integridad de datos.
Curso Profesional de Docker
Contenedorización avanzada para pipelines de Machine Learning y microservicios: construcción de Dockerfiles multi-stage optimizados, orquestación multi-contenedor con Docker Compose, persistencia de volúmenes y redes aisladas.
¿Buscas incorporar un Data Scientist Trainee con criterio de producción?
Estoy disponible para sumarme a equipos globales en modalidad 100% remota. Abierto a posiciones de Data Science, Machine Learning o Data Analytics.