Evaluar antes de mostrar
Una demo prueba una respuesta; una evaluación prueba la tasa de acierto. Por eso el trabajo de QA médico reporta 54.69 % de precisión y una mejora de 24.24 puntos.
Sobre mí
Soy Gairo Peralta, ingeniero de IA/ML. Construyo sistemas que convierten manzanas, expedientes legales y preguntas médicas en respuestas que se pueden comprobar, y luego mido si funcionan.
Como ingeniero líder de IA en BlackPrint Technologies, diseño productos de inteligencia territorial sobre datos censales y comerciales de México. Dirigí mireporte.ai, que convierte un punto en el mapa en un estudio de mercado de 25 secciones en once zonas metropolitanas, y construí el ruteo de ventas en campo, la calificación de ~5.5 millones de comercios por su propensión a aceptar pagos y un pipeline que concilia más de 230 mil puntos de interés.
De 2025 a julio de 2026 también dirigí como consultor el trabajo de IA de Law Offices of Manuel Solis, al frente de un equipo de becarios. Nuestros agentes de LLM redujeron la preparación de declaraciones para visa T y cartas de presentación de unas dos horas a unos quince minutos por documento. También construimos una plataforma de inteligencia de reuniones con acceso por roles y un pipeline de traducción certificada con Gemini Vision.
De 2025 a enero de 2026, como estudiante investigador visitante en IA médica en UT San Antonio (voluntario), construí un sistema de cuatro agentes que razona sobre PrimeKG y alcanzó 54.69 % de precisión en QA médico, una mejora de 24.24 puntos. Soy licenciado en Ciencia de Datos por UC Berkeley (2022) y curso la maestría en Inteligencia Artificial Aplicada del Tecnológico de Monterrey (fin previsto en 2027, promedio 98/100).
Trabajo en español y en inglés, algo útil cuando los datos vienen del INEGI y el cliente prepara trámites migratorios en Estados Unidos. Profesionalmente me conocen como Gairo Peralta; mi nombre legal completo es Gairo Yostin Peralta Alvarez en México y Gairo Yostin Peralta en Estados Unidos.
Trayectoria
Puestos, investigación y estudios desde 2022, del más reciente al más antiguo.
2025 – actual
BlackPrint Technologies
Diseño y desarrollo de plataformas GeoAI impulsadas por LLM para más de 2.5 millones de manzanas urbanas, sistemas multiagente (LangGraph), agentes de ventas con IA en tiempo real (Next.js 15 y WhatsApp Cloud API) y pipelines de emparejamiento geoespacial de alto rendimiento.
2025 – jul 2026
Law Offices of Manuel Solis
Desarrollo de agentes de LLM personalizados para documentos legales y una plataforma de inteligencia de reuniones con RBAC (control de acceso basado en roles).
2025 – ene 2026
UT San Antonio
Investigación en IA médica con grafos de conocimiento y pipelines de evaluación multiagente.
2024 – 2025
PRODENSA (contrato)
Desarrollo de pipelines de extracción OCR y Llama 3.3 con FastAPI + React/Vite para procesamiento de PDF en tiempo real.
2023 – 2025
STRTGY
Asistente RAG empresarial (Claude 3.5 Sonnet y FAISS), mapeo de competidores con GPT-4 Vision y pronósticos de demanda adaptativos.
2022
Licenciatura en Ciencia de Datos, con enfoque en aprendizaje automático (machine learning) y análisis estadístico.
2022 – 2023
BlackPrint Technologies
Entrega de analítica de geocodificación y pipelines ETL en pandas/SQL para inteligencia de propiedades.
Principios
Una demo prueba una respuesta; una evaluación prueba la tasa de acierto. Por eso el trabajo de QA médico reporta 54.69 % de precisión y una mejora de 24.24 puntos.
En un lago de datos de ~79 GB en BigQuery, una pregunta vaga puede salir cara. En Meridian, un validador de SQL y compuertas de costo en cuatro niveles revisan cada consulta generada antes de ejecutarla.
NetAiCore analiza conversaciones de chatbot bajo la LFPDPPP: la anonimización ocurre dentro del pipeline y el tablero que se comparte no muestra datos personales.
El agente de BrokerAI califica prospectos, pero los operadores ven los chats en vivo y pueden intervenir, con alertas en Telegram cuando un chat necesita a una persona.
Método
Empezamos por la decisión que el sistema debe apoyar y los datos que ya existen, no por un modelo.
Un prototipo pequeño con tus datos, medido contra un conjunto de evaluación, muestra qué funciona antes de escalar.
API, infraestructura como código, control de costos y permisos entran desde el inicio: el prototipo crece, no se reescribe.
Documentación y capacitación para el equipo que lo hereda, y la métrica acordada, con seguimiento tras el lanzamiento.
Exploración
Agentes que revisan su propio SQL, explican sus joins y lo dicen cuando los datos no alcanzan para responder.
Representar manzanas, POI y colonias como vectores, para que un modelo compare lugares como compara textos.
Razonamiento multisalto sobre grafos de conocimiento como PrimeKG, para que cada respuesta apunte a su evidencia.
Obtener cohortes, temas y sentimiento de conversaciones sin exponer a quienes las escribieron.
Mándame una nota breve sobre el problema y los datos con los que cuentas. Respondo en 24 a 48 horas.