Más contenido sobre aplicaciones a medida, tendencias en inteligencia artificial y estrategias efectivas para proyectos tecnológicos exitosos.

Estoy muy ilusionado por haber completado recientemente el bootcamp de Data Science y AI de Le Wagon, un programa intensivo donde adquirí experiencia práctica en análisis de datos, machine learning y proyectos de inteligencia artificial. Ha sido un recorrido desafiante pero muy gratificante que ha reafirmado mi pasión por la tecnología y las soluciones basadas en datos.

Busco oportunidades en Japón para aportar en proyectos innovadores y seguir aprendiendo en un entorno profesional. En este blog compartiré proyectos personales de programación en los que trabajo, desde scripts en Python hasta aplicaciones web, así como experimentos, tutoriales y reflexiones sobre inteligencia artificial y aprendizaje automático. También documentaré mi crecimiento como desarrollador y entusiasta de los datos.

Además, formo parte de Q2BSTUDIO, una empresa de desarrollo de software especializada en aplicaciones a medida y software a medida. En Q2BSTUDIO somos especialistas en inteligencia artificial y ofrecemos soluciones de ia para empresas, agentes IA y servicios de inteligencia de negocio. También brindamos servicios de ciberseguridad y pentesting para proteger activos críticos y servicios cloud aws y azure para desplegar infraestructuras escalables y seguras.

Si te interesa cómo combinamos ciencia de datos con productos reales, en Q2BSTUDIO desarrollamos aplicaciones personalizadas que integran modelos de machine learning y soluciones cloud para potenciar negocios. Conecta con nosotros para explorar proyectos de automatización de procesos, power bi y otras herramientas de inteligencia de negocio que mejoran la toma de decisiones y la eficiencia operativa.

Acabo de pasar varias horas peleando con los límites del supuesto plan gratuito de Google mientras intentaba construir una aplicación para el Desafío Multimodal de AI Studio. El reto exige imágenes, video o audio para completar un proyecto y Google asegura que el plan gratuito es suficiente y que no limitará la capacidad de competir. En la práctica el plan gratuito difícilmente permite iterar.

Obstáculo 1: el plan gratuito es prácticamente inusable. ¿Quieres generar unas pocas imágenes? Agotas la cuota en una hora. ¿Quieres usar video, que es una ventaja enorme en una competencia multimodal? No es posible: el acceso al video está bloqueado detrás de facturación. La consecuencia es clara o pagas o pasas el tiempo de desarrollo esperando a que los límites se reinicien. Es un ejemplo perfecto de pagar para ganar, una práctica que en diseño de juegos y en la comunidad de desarrolladores genera rechazo.

Obstáculo 2: el despliegue exige tarjeta de crédito. Tras superar las cuotas y desarrollar la aplicación, fui a enviarla y descubrí que no se puede desplegar sin proporcionar una tarjeta de crédito. El despliegue mediante Cloud Run es obligatorio para la entrega. Sin tarjeta no hay despliegue y sin despliegue no hay envío. Aunque las normas afirmen que el plan gratuito alcanza, el proceso de envío fuerza la activación de facturación.

Por qué es engañoso: la comunicación dice que el plan gratuito basta y que las APIs de pago son opcionales, pero la realidad es que los límites del plan gratuito bloquean la iteración, las integraciones de video y audio requieren facturación y Cloud Run pide tarjeta solo para enviar la participación. El mensaje es un señuelo y la ejecución es un embudo para obtener pagos.

Por qué importa: soy estudiante universitario a tiempo completo en una ciudad muy cara y solo puedo trabajar a tiempo parcial. No acepto concursos que en la práctica son embudos para sacar dinero, obligando a entregar una tarjeta de crédito solo para competir. Si un desafío debe premiar habilidad, creatividad e innovación, la barrera de entrada debe ser habilidad, curiosidad e ideas y no quién tiene una tarjeta de crédito.

Palabras finales: hasta que Google deje de diseñar concursos que aparentan ser gratuitos pero son trampas de pagar para ganar, no participaré en ellos. Plataformas que organizan eventos y retos deberian reconsiderar apoyar competiciones que no son genuinamente accesibles. Yo no voy a enviar la app que desarrollé pese a haber superado la frustración de las limitaciones; me llevaré el código y lo convertiré en una aplicación de escritorio local que se conecte a mi propio stack de IA local. No voy a dar mi tarjeta de crédito para presentar una entrada ni voy a complacer a corporaciones multimillonarias que piden dinero cuando podrían haberlo hecho bien desde el inicio.

Primeras impresiones con Amazon Bedrock AgentCore: AWS lanzó en vista previa AgentCore el 16 de julio con la promesa de facilitar el paso de pruebas de concepto a despliegues a escala para agentes IA. La propuesta principal es un modelo modular que permite combinar componentes como piezas de Lego, ofreciendo flexibilidad para usar distintos modelos y frameworks, incluidos abiertos, sin estar atado exclusivamente a Amazon Bedrock.

AgentCore incluye siete componentes clave en vista previa: AgentCore Runtime para ejecutar agentes de forma serverless y segura; AgentCore Identity para gestión de identidad y acceso de agentes; AgentCore Memory para memoria a corto y largo plazo compartida entre sesiones; AgentCore Code Interpreter para ejecutar código en sandboxes aislados; AgentCore Browser para que los agentes interactúen con sitios web a escala; AgentCore Gateway para descubrir y convertir APIs, Lambdas y servicios en herramientas compatibles; y AgentCore Observability para trazar, depurar y monitorizar flujos de agente con soporte OpenTelemetry.

Mi experiencia práctica con AgentCore Runtime fue la de un ingeniero que se pone a probar sin conocer nada previo. La curva de aprendizaje existe, pero hay componentes que funcionan bien. Para integrar un agente con Runtime es necesario inicializar la App de AgentCore en el código, marcar la función de entrada con el decorador de entrypoint y dejar que AgentCore controle la ejecución con su método run. AWS ofrece un starter toolkit que simplifica la configuración y despliegue evitando lidiar manualmente con Docker y otros detalles.

Pasos básicos para desplegar con el starter toolkit: configurar el agente con la herramienta agentecore configure apuntando al archivo principal, y luego lanzar con agentecore launch. La invocación puede probarse desde la CLI con agentecore invoke pasando el payload. Estas utilidades reducen significativamente el trabajo operativo, aunque no eliminan todos los puntos de fricción.

Entre los puntos de dolor que encontré están la falta de claridad en los notebooks de ejemplo, que añaden complejidad, y la omisión en los ejemplos de la necesidad de activar observabilidad. Es imprescindible habilitar CloudWatch Transaction Search para que Runtime invoque correctamente al agente. También resulta algo confuso localizar el rol de ejecución IAM del agente para otorgar permisos específicos, especialmente cuando el agente realiza llamadas boto3 a recursos como EC2. El rol se puede localizar buscando agentcore en la consola IAM, revisando el yaml generado durante la configuración o navegando por la consola de AgentCore hasta la versión del agente y su IAM service role.

En mis pruebas integré un framework externo de agentes y una herramienta para interactuar con recursos AWS. Fue necesario disponer de las credenciales locales configuradas en ~/.aws/credentials para que herramientas que delegan en el perfil AWS funcionaran. La experiencia es positiva cuando todo está bien configurado, y la consola combinada con el starter toolkit facilita iteraciones rápidas.

Recomendaciones para AWS antes de GA: mejorar la documentación de inicio con pasos claros sobre observabilidad y permisos IAM, simplificar los ejemplos sin recurrir en exceso a notebooks, y ofrecer plantillas listas para frameworks populares. Para equipos que buscan mover agentes a producción, es importante planificar controles de identidad, gobernanza de memoria y trazabilidad desde el inicio.

TubeForge es una applet multimodal que transforma cualquier video de YouTube en contenido estructurado e interactivo listo para estudiar o publicar, creada como parte de una propuesta para el Google AI Studio Multimodal Challenge.

Con solo pegar la URL del video TubeForge genera automáticamente dos tipos principales de salida: notas de estudio y artículos de blog. Las notas de estudio se presentan en formato markdown estilo manual profesional con encabezados jerárquicos, diagramas, flujogramas, tablas, términos clave resaltados y la posibilidad de crear cuestionarios para autoevaluación.

Los artículos de blog salen listos para publicar con un gancho potente, estructura clara y formato optimizado para SEO, además de imágenes de portada generadas por IA, visuales en línea y posts compartibles para redes sociales para amplificar la difusión del contenido.

El desarrollo de TubeForge aprovechó Google AI Studio de manera integral: primero se diseñó la especificación del producto en el chat, luego se usó la función build para generar la primera versión funcional, se aplicaron ajustes mínimos de estilo, la asistencia de codificación resolvió cambios puntuales y finalmente se desplegó a Cloud Run con un solo clic, sin necesidad de configurar Docker ni desplegar infraestructuras manualmente.

En cuanto a capacidades multimodales TubeForge combina: comprensión de video mediante modelos avanzados que extraen conocimiento estructurado del audio y la imagen, generación de imágenes con modelos de imagen para diagramas, infografías y cabeceras, fusión de texto y medios con output en markdown y recursos embebidos, generación automática de quizzes para práctica y creación de posts sociales listos para LinkedIn y Twitter. Esta mezcla de video, texto e imagen crea una experiencia de aprendizaje y publicación mucho más rica y accionable.

Mira este proyecto que hice

¿Te gustaría ser mi novia? Esta pregunta llega con un giro profesional: en Q2BSTUDIO creemos que las mejores relaciones, personales y tecnológicas, nacen de la confianza, la creatividad y la colaboración.

Respuestas de entrevista con IA personalizadas ofrece a empresas y candidatos una ventaja competitiva al generar respuestas coherentes, relevantes y alineadas con la cultura y requisitos del puesto. Estas soluciones combinan análisis de preguntas, contexto del candidato y buenas prácticas de comunicación para producir respuestas que ayudan a preparar entrevistas, mejorar procesos de selección y estandarizar evaluaciones.

En el ecosistema de Angular está surgiendo la idea de sustituir RxJS creando operadores propios para las señales. Entendible, pero arriesgado si no se comprende bien la diferencia entre dos modelos de reactividad: Push y Pull.

Push (Observables) El emisor manda En el modelo Push el origen controla la emisión de valores. Cada valor emitido forma parte de una secuencia y existe independientemente. Los observadores procesan esos valores uno a uno, como en una línea de producción donde cada pieza que pasa importa. Si llegas tarde te has perdido las primeras piezas; ya fueron enviadas y no esperan por ti. Este enfoque es ideal para gestionar flujos de datos donde cada valor cuenta.

Pull (Señales) El consumidor decide En el modelo Pull el consumidor lee el valor cuando lo necesita. Solo importa el último valor leído; los valores transitorios que no se consultan son irrelevantes. Como un panel de información en una estación de tren que se actualiza constantemente: el viajero solo ve la última versión cuando levanta la vista. Las señales encajan perfectamente para gestionar estado donde solo la versión más reciente importa.

Por qué algunos operadores encajan y otros no Operadores que solo dependen del estado final funcionan bien con señales. Por ejemplo un doble que lee el valor actual y lo multiplica por dos es perfecto con una señal: const count = signal(2); const doubledCount = computed(() => count() * 2); console.log(doubledCount()); // 4

En cambio operadores que necesitan historial, como filter o take, están diseñados para flujos Push y generan trampas al adaptarlos a señales. Filter trap: si tienes counter inicializado a 1 y un computed que solo mantiene números pares, al hacer counter.set(2) y luego counter.set(3) el computed nunca verá el 2 si solo se consulta el valor final; solo se considerará el 3 y se filtrará. Take trap: si esperas capturar las primeras n emisiones, con una señal que solo expone el último valor no sabrás que existieron los anteriores; para el operador será la primera y única iteración.

Resumen práctico Las señales están optimizadas para gestionar estado local y compartido en modo Pull cuando solo importa el último valor. RxJS y los Observables son la herramienta adecuada para gestionar streams, eventos y todo aquello donde la historia de valores importa. Antes de elegir pregunta: necesito conocer el historial de datos o solo me interesa el último valor? Si solo importa el último valor usa señales; si necesitas el historial o un control fino de emisiones usa observables.

Sistema bancario que habla COBOL y mi jefe no se enteró

Nuestro flujo central de transferencias seguía siendo una tarjeta JOB de COBOL que cada noche a las 02:00 leía un archivo VSAM, invocaba una transacción CICS y generaba un informe JES de cientos de páginas. Llegó el requerimiento modernizador: exponer ese proceso como un endpoint REST para que un front fintech lo llame bajo demanda. Restricciones: cero interrupciones, cero cambios en JCL, presupuesto nulo. Recursos: un becario, un Red Bull y un MacBook.

El truco del daemon que nadie explica bien es simple y poderoso. Un daemon no es magia, es un proceso que se desliga de la terminal para poder sobrevivir al cierre de la sesión. La técnica práctica consiste en doble fork, crear una nueva sesión con setsid, redirigir entradas y salidas y escribir un archivo PID. Con eso el servicio deja de ser hijo de la shell y puede seguir corriendo sin que nadie tenga que estar conectado.

En vez de reescribir millones de líneas de COBOL construí un puente diminuto. Implementé una pequeña librería en C que invoca el comando de envío de JCL del mainframe, captura la salida y la expone a través de una interfaz C que cualquier lenguaje puede llamar. Esa librería compartida se instaló sin necesidad de privilegios root y funcionó como backend común para bindings en Go, Python, Java, Node y Lua.

Automatizamos la fabricación de bindings con un Makefile que compila una familia de libpolycall para cada lenguaje y registra todo en un único proceso daemon que actúa como DRIVER. Resultado: un proceso, seis lenguajes, cero configuración manual. Las aplicaciones modernas consumen ese DRIVER mediante llamadas REST y los jobs legacy siguen ejecutándose exactamente igual.

La demo fue sencilla y efectiva. Abrí un navegador, arrastré un archivo .jcl al área de carga, pulsé enviar y vi el JESMSGLG aparecer en tiempo real. Mi jefe miró incrédulo al monitor cuando le dije que ese era nuestro JOB de producción y que no había tocado una sola PROC. Silencio. Eficiencia.

¿Por qué importa esto de verdad? La modernización clásica suele significar cinco años y millones de euros con riesgos de caídas masivas. Nuestra aproximación fue sidecar: la plataforma legacy sigue intacta, nuevas características se lanzan en Go, React o el stack que prefiramos, y la reversión es tan sencilla como matar el servidor auxiliar. Al daemonizar el puente, no hubo que vigilar la sesión SSH ni jugar con nohup, el servicio funciona 24 7 sin babysitter.

La lección Unix real es práctica y aplicable a cualquier proyecto de operaciones: si tu servicio muere al cerrar la terminal entonces no tienes un servicio sino un hijo de shell. Añade el doble fork, redirige stdout y stderr, escribe un PID y deja que el padre salga tranquilo. Eso es todo lo que hace un daemon, nada demoníaco, solo buena ingeniería operacional.

Próximos pasos: sustituir la carga por drag and drop por una mutation GraphQL para que el front tipado pueda disparar grandes transferencias con seguridad de tipos, añadir soporte --detach real a libpolycall y evolucionar hacia agentes que integren inteligencia artificial para validaciones, reglas antifraude y automatización de procesos. También integraremos capacidades de servicios cloud aws y azure y reporting con herramientas de inteligencia de negocio como power bi para dar visibilidad en tiempo real.

Hablaré de cómo es programar casi a ciegas y de las estrategias que me permiten seguir siendo productivo. Mi vista ha ido empeorando con el tiempo y cualquier posibilidad de cirugía correctiva se vuelve cada vez menos viable. Ser incapaz de distinguir n de m puede parecer un problema menor, pero no poder cruzar la calle con seguridad porque no veo los coches acercarse es ya una situación muy cercana a la ceguera. Más allá de definiciones médicas, la realidad práctica es que la pérdida de visión cambia la forma de pensar el código y el entorno de trabajo.

Mi método principal es visualizar el código en la mente. Esto funciona mejor con lenguajes que se representan correctamente en texto, por eso me siento cómodo con C C++, Go como lenguajes imperativos y Haskell para estilos funcionales declarativos. Tener una representación sintáctica clara facilita leer, escribir y depurar lógica sin depender tanto de la vista. Por eso la sintaxis y la correcta representación visual son tan importantes para mí.

El mayor reto es traducir lo que llevo en la cabeza al editor cuando la visión es borrosa. La mecanografía táctil ayuda, pero los errores pequeños son difíciles de detectar. Las herramientas que hacen comprobaciones en tiempo real pueden interrumpir el flujo con popups que también se ven borrosos. Para el trabajo inicial prefiero interferencia mínima. He encontrado que usar inteligencia artificial para corregir mis errores tipográficos y explicar mensajes de compilador que no puedo leer es una solución muy práctica. Con C++ los errores pueden ser enormes y crípticos, y a veces las sugerencias automáticas proponen refactorizaciones no deseadas. Con buenos prompts consigo que la IA devuelva solo el texto corregido y sin alteraciones lógicas.

Combinando visualización mental y revisión con IA ahora programo más rápido y con más fiabilidad que cuando veía mejor. Prefiero editores monocromos sencillos y por eso uso a menudo vim. Sin embargo Visual Studio Code puede ser una gran ayuda para discapacidad visual si se desactivan funciones distractoras, se usa el modo de alto contraste y se ajusta la escala de la interfaz. El autocompletado inteligente también puede ser útil cuando se configura adecuadamente. Para diagramas de diseño LibreOffice en alto contraste me funciona bien, aunque al ser todo blanco y negro a veces solo veo el resultado final al exportar a PNG.

En cuanto a entornos de escritorio, un viejo escritorio X11 ofrecía bordes claros y negros reales que hoy facilitan mucho la legibilidad. Sitios web con imágenes grandes frente al texto resultan prácticamente imposibles de leer. Windows ofrece una experiencia de accesibilidad desigual según las partes del sistema, mientras que MacOS suele considerarse bueno pero no es una opción asequible para todo el mundo. En Linux modernos con Wayland encontré problemas serios: Orca dejó de funcionar bien y algunos entornos rompieron los temas de alto contraste, con desarrolladores que no priorizaron la accesibilidad. KDE ha puesto esfuerzo en integrar accesibilidad en frameworks como Kirigami, pero sigue siendo trabajo por aplicación.

En Q2BSTUDIO entendemos que la accesibilidad y la eficiencia en el desarrollo son vitales. Somos una empresa de desarrollo de software y aplicaciones a medida especializada en soluciones personalizadas, inteligencia artificial y ciberseguridad. Podemos ayudar a diseñar aplicaciones accesibles y optimizadas para equipos con diversidad visual, crear agentes IA y soluciones de ia para empresas que automaticen tareas de revisión de código y corrección de errores, y ofrecer servicios de cloud como servicios cloud aws y azure para desplegar infraestructuras seguras y escalables. Si necesita un producto específico trabajamos con software a medida y aplicaciones a medida para integrar además servicios de ciberseguridad y pentesting que protejan su entorno de desarrollo.