Sobre mí
Fernando Landero · Consultor Senior e Ingeniero · Plataformas de Cloud, Datos e IA
Llevo más de 15 años construyendo y operando sistemas de software — los últimos 7 enfocados en cloud y plataformas de datos. Hoy trabajo como consultor independiente: los equipos me traen para modernizar una arquitectura de datos, endurecer su infraestructura o llevar un sistema de IA del prototipo a producción, principalmente en Google Cloud y AWS.
Me integro directamente en los equipos de ingeniería — pull requests, Slack, arquitectura activa — como un ingeniero senior adicional, y trabajo solo: sin agencia y sin subcontratación. Por defecto construyo con piezas portables y open-source (dbt, Spark, Airflow, Iceberg), para que los sistemas que dejo atrás nunca queden atados a un solo proveedor.
Áreas de enfoque
| Área | Qué aporto | Stack habitual |
|---|---|---|
| Ingeniería de Datos e IA Aplicada | Pipelines batch y streaming que aguantan carga, y sistemas de IA que sobreviven al contacto con producción | Spark, dbt, Dagster, LangGraph, Pydantic AI, evaluación RAG, OpenTelemetry |
| Cloud e Ingeniería de Plataformas | Arquitecturas seguras definidas como código y verificadas por política antes de aplicarse | Terraform, Terragrunt, OPA Rego, GitHub Actions, Kubernetes (GKE/EKS), Cloud Run |
| Mentoría y Dirección Técnica | Decisiones arquitectónicas, reducción de deuda técnica y optimización de costos de nube (FinOps) | Revisiones de diseño, mentoría en pull requests, instrumentación de costo y latencia |
Experiencia seleccionada
2026–presente · Landerox (independiente)
Rol: Senior Consultant · AI Engineer · Industria: Finanzas, Energía
Razonamiento multi-agente en GCP con LangGraph para evaluación de créditos, con caché de prompts y telemetría de costos por token. Construí un agente de monitoreo automatizado que diagnostica fallas de pipeline con LLMs locales (Hermes-3) y genera PRs correctivos bajo revisión humana. En AWS, desplegué un lakehouse Medallion que unifica fuentes descentralizadas para asistentes multi-agente. Las páginas de Laboratorio Activo y Tecnologías Emergentes presentan patrones arquitectónicos y preguntas de evaluación relacionadas; no publican código de clientes ni implican resultados públicos de benchmarks.
2025 · TCS
Rol: Senior Consultant · MLOps & Data Engineer · Industria: Datos Crediticios y Seguridad
Construí una librería core interna en Python con tooling CLI en Vertex AI Workbench para automatizar despliegues de ML sobre Spark, Databricks y Dataproc. Endurecí pipelines CI/CD zero-trust, orquesté escaneo de PII entre dominios y goberné la ingesta en BigQuery bajo cumplimiento estricto.
2024–2025 · Axity
Rol: Senior Consultant · MLOps & Data Engineer · Industria: Retail Inmobiliario
Orquesté flujos Gemini multi-agente en Cloud Run con estado de sesión en Redis, reemplazando OpenDataQnA por un orquestador propio para eliminar cuellos de botella de latencia. Desplegué landing zones GCP multi-proyecto en Terraform, pipelines Dataflow batch/streaming y rutinas automatizadas de ofuscación de PII.
2023–2024 · Acid Labs
Rol: Senior Data Engineer · Industria: Retail
Gestioné una plataforma de datos en Kubernetes: más de 200 extractores propios en Python ingiriendo a capas raw de BigQuery, y más de 1.100 modelos dbt construyendo las capas Silver/Gold del lakehouse para 8 unidades de negocio. Implementé optimización de costos GKE/BigQuery (FinOps), aislamiento de PII en vistas dbt y rutinas automatizadas de respaldo en Parquet.
2022–2023 · Sodimac
Rol: Senior Data Engineer · Industria: Retail
Construí pipelines de ingesta batch y streaming (Dataflow, Pub/Sub, Airflow), ELT entre nubes desde Amazon S3 hacia BigQuery, y entrenamiento semanal contenerizado de modelos ML de recomendación en Kubernetes, optimizando a la vez los costos de cómputo de consultas en BigQuery.
2019–2021 · NTT DATA
Rol: Data Engineer · Industria: Energía, Aviación, Telecomunicaciones
En el sector energético, implementé la ingesta distribuida de datos de Salesforce CRM hacia un data lake Cloudera/Hadoop utilizando PySpark, HiveQL y Bash para alimentar tableros en Tableau. Para una aerolínea, formé parte de la migración de sistemas on-premises a Google Cloud Platform (GCP), donde construí la capa de datos implementando modelado de dominio Data Vault 2.0 bajo un enfoque data mesh, pipelines ETL/ELT en Python orquestados con Cloud Composer (Airflow) y Cloud Functions hacia BigQuery, jobs en Scala sobre Dataproc y cargas contenerizadas en Kubernetes. Asimismo, refactoricé jobs de procesamiento en Scala/Hadoop para una operadora de telecomunicaciones.
2008–2017 · Banca y Medios de Pago
Rol: Systems & Data Engineer · Industria: Core Bancario
Desarrollé sistemas de core bancario, facturación y sistemas financieros transaccionales — estableciendo estándares estrictos de consistencia de datos, idempotencia y confiabilidad operativa.
Industrias
Gran parte de mi trabajo reciente ha sido en Banca, Retail y Logística — entornos con alta presión operativa, requisitos estrictos de seguridad o datos regulados.