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.
Cuando encajan, construyo con piezas portables y open source (dbt, Spark, Airflow, Iceberg), para que los sistemas que dejo no queden atados a un solo proveedor.
Áreas de enfoque
| Área | Qué aporto | Stack habitual |
|---|---|---|
| IA aplicada y MLOps | Sistemas de IA que funcionan en producción — recuperación evaluada, agentes con estado, uso controlado de herramientas — y despliegue automatizado de ML | LangGraph, Pydantic AI, Gemini / Vertex AI, Databricks, evaluación RAG, Langfuse, OpenTelemetry |
| Cloud e ingeniería de plataformas | Arquitecturas seguras definidas como código, verificadas por política antes de aplicarse y con el costo de nube bajo control (FinOps) | Terraform / OpenTofu, Terragrunt, OPA Rego, GitHub Actions, Kubernetes (GKE/EKS), Cloud Run |
| Ingeniería de datos y pipelines | Pipelines batch y streaming que aguantan carga, desde la ingesta hasta transformaciones probadas | Spark, dbt, Airflow / Cloud Composer, Dagster, Dataflow, Pub/Sub |
| Arquitectura de datos y almacenamiento | Modelos dimensionales, contratos de datos y elección de almacenamiento entre data warehouses y lakehouses de tablas abiertas | BigQuery, Iceberg, Delta Lake, Parquet, Kimball, Data Vault 2.0 |
Experiencia seleccionada
2026–presente · Landerox (independiente)
Rol: Senior Consultant · AI Engineer · Industria: Finanzas, Energía
Desarrollé razonamiento multiagente en GCP con LangGraph para evaluar 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 multiagente.
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.
Contacto
Cómo trabajo con equipos y cuándo estoy disponible está en Colaboración.