Ingeniero biomédico y desarrollador de inteligencia artificial especializado en visión por computador para imagen médica y en la integración de modelos de deep learning en software clínico: APIs de inferencia, despliegue en contenedores y Kubernetes, y MLOps. Trabajo el ciclo completo: datos, modelos, integración, securización y operación.
Hoy ocupo dos roles en paralelo: responsable de inteligencia artificial en Avamed Synergy, donde desarrollo software core, proyectos de innovación y soluciones tecnológicas de IA y software; y profesor en la Universidad de Alicante, con docencia en Ingeniería Biomédica e Ingeniería en Inteligencia Artificial.
He trabajado en hospitales y grupos de investigación, y este portfolio es, literalmente, una red neuronal: 20.042 parámetros que se están entrenando y ejecutando ahora mismo en tu navegador.
Experiencia
5 años
Base
Alicante
Especialidad
DL · Computer Vision · LLMs · Sys · Ops
Formación
Máster IA · Ing. Biomédica
Docencia
Universidad de Alicante
Estado
Dos roles en activo
Foco actual
Visión por computador en imagen médica
Deep learning y sistemas de IA en producción
MLOps, inferencia y observabilidad
Docencia en gestión de proyectos tecnológicos
Idiomas
Español — Nativo
Inglés — B2 · Cambridge
Valenciano — C1 · GVA
Principios
Medir antes de optimizar.
Los datos importan más que la arquitectura.
Un modelo sin monitorización es una deuda.
Simple primero, ingenioso después.
OUT[01] · Hipocampo
Experiencia
Responsable de Inteligencia Artificial — Avamed Synergy
2024–hoy · Alicante
Responsable de IA: desarrollo de software core, proyectos de innovación y soluciones tecnológicas de inteligencia artificial y software.
Integración de la IA como servicio: APIs, inferencia, contenedores y gestión de colas.
Securización del despliegue y observabilidad con logs, métricas y tests.
Entornos modulares y automatizados de IA sobre servidores Linux.
Documentación técnica de IA alineada con la normativa europea y diseño de la arquitectura de IA de la empresa.
Configuración de estaciones y servidores orientados a procesos de inteligencia artificial.
Tutoría de alumnos de prácticas de IA.
Stack: PyTorch · Segmentación de imagen médica 3D · Serving (Triton, vLLM) · FastAPI · Docker · Kubernetes · Monitorización y métricas · CI/CD y GitOps · MDR, IEC 62304 y AI Act · Diseño de sistemas de ML
Profesor — Universidad de Alicante
2026–hoy · Alicante
Docente de Gestión de Proyectos en los grados de Ingeniería Biomédica e Ingeniería en Inteligencia Artificial.
Planificación con hitos y entregables, estimación de costes y análisis de riesgos.
Seguimiento y control, gestión de la calidad y coordinación de equipos multidisciplinares.
Stack: Gestión de proyectos · Docencia universitaria
Ingeniero Deep Learning — Avamed Synergy
2022 · Alicante
Modelos de inteligencia artificial para imagen médica e integración en aplicaciones de software.
Desarrollo de modelos de deep learning para segmentación de imagen médica.
Diseño y optimización de modelos matemáticos sobre estructuras anatómicas.
Integración de modelos de IA en distintas aplicaciones de la empresa.
Stack: Python · PyTorch · Redes convolucionales · Segmentación de imagen médica 3D
Ingeniero biomédico · Neurociencias — ISABIAL
2022 · Alicante
Investigación clínica y desarrollo de software en el Instituto de Investigación Sanitaria y Biomédica de Alicante.
Análisis de pacientes con enfermedades neurodegenerativas, entre ellas ELA e ictus, y apoyo a ensayos clínicos.
Estudio del funcionamiento de equipos de RM, TC, RX, ecografía y ECG.
Programación y optimización de la web de ISABIAL y desarrollo de entornos 3D en Unity.
Stack: Python · Backend y frontend · Unity y entornos 3D · C# · Señales biomédicas
Ingeniero biomédico — HURO · Human Robotics
2021–2022 · Alicante
Diseño y desarrollo de un brazo sensorizado para medir actividad cinemática y muscular.
Soldadura y programación de sensores EMG, IMU, Raspberry Pi y Arduino.
Sistemas de análisis de las señales biomédicas capturadas por el dispositivo.
Stack: Python · C++ · Señales biomédicas · Unity y entornos 3D
OUT[02] · Corteza motora
Contribuciones
Sistemas de IA clínica — Software e inteligencia artificial para imagen médica en producción
Medical AI · 2025 · Responsable de IA
Desarrollo de software core y soluciones de IA para imagen médica: integración como servicio, operación y securización, sin exponer el detalle interno de cada encargo.
Servicios de inferencia con APIs, colas y contenedores.
Observabilidad, pruebas automáticas y documentación técnica conforme a normativa europea.
Arquitectura de IA de la organización y entornos de trabajo automatizados.
Stack: PyTorch · Segmentación de imagen médica 3D · Serving (Triton, vLLM) · Docker · Kubernetes · Monitorización y métricas · MDR, IEC 62304 y AI Act
Brazo sensorizado — Medida de actividad cinemática y muscular
Neurotecnología · 2022 · Ingeniero biomédico
Dispositivo desarrollado en HURO para registrar movimiento y actividad muscular, con sensores EMG e IMU y análisis de las señales capturadas.
Hardware y firmware sobre Raspberry Pi y Arduino.
Pipeline de análisis de señales biomédicas.
Stack: Python · C++ · Señales biomédicas
Entornos 3D clínicos — Web institucional y visualización 3D para investigación sanitaria
Software · 2022 · Ingeniero biomédico
Optimización de la web de ISABIAL y desarrollo de entornos tridimensionales para simulación e investigación.
Backend y frontend de la web institucional.
Escenas 3D interactivas en Unity.
Stack: Backend y frontend · Unity y entornos 3D · C#
OUT[03] · Unión temporoparietal
Proyectos
Desarrollo lo que imagino.
Homelab — Infraestructura propia con varios servidores
Privado
Tengo un homelab con varios servidores desde el que administro y gestiono mis servidores y proyectos.
CORTEX — Este portfolio: una CNN entrenándose en tu navegador
Privado
Motor de redes neuronales escrito desde cero en TypeScript, sin dependencias de ML: convoluciones, max-pooling, backprop y AdamW implementados a mano. Entrena y ejecuta en un Web Worker la CNN de 20.042 parámetros de este sitio, con más del 99 % de precisión, y expone cada tensor al renderer WebGL, que la visualiza en vóxeles pixel-art dentro de un cerebro procedural.
Herramientas: TypeScript · WebGL · Three.js · Web Workers · Vite · Vitest
Etio — Análisis de causa raíz en tiempo real para microservicios
Público
Motor de análisis de causa raíz en streaming para sistemas instrumentados con OpenTelemetry. Ingiere trazas, métricas y logs, detecta anomalías por señal, agrupa incidentes y ordena los servicios con más probabilidad de haberlos causado, junto con la evidencia que respalda cada posición.
Ranking listwise lineal sobre 20 características sin escala que se aplica a sistemas no vistos en entrenamiento, evaluado en 733 fallos de RCAEval y 1422 de RCABench.
Detección robusta por serie: umbrales de valores extremos (SPOT), CUSUM robusto y p-valores conformales.
Ingesta OTLP por gRPC y HTTP con backpressure, y análisis de trazas con corrección de desfase de reloj y grafo de llamadas.
Servidor con API REST, eventos en tiempo real, interfaz web, métricas Prometheus, webhooks firmados, TLS y mTLS, y modo distribuido edge/core.
Simulador de microservicios con inyección de fallos y paquete Python que ejecuta el mismo código Rust para la evaluación offline.
Tomoz — Compresión sin pérdidas aprendida y determinista para imagen médica
Público
Códec que predice cada vóxel de volúmenes de TC, RM y PET a partir de su vecindad 3D con una red neuronal entera y codifica el residuo con codificación aritmética adaptativa. Funciona en CPU, decodifica cualquier corte sin el resto de la serie y produce los mismos bytes en cualquier plataforma.
En 37 series de prueba que los modelos nunca vieron comprime más que JPEG-XL: un 4,6 % en TC, un 3,5 % en RM y un 10,8 % en PET.
Red neuronal cuantizada a enteros con determinismo bit a bit, fijado por hashes de conformidad en CI para x86-64, AArch64 y WebAssembly.
Archivos DICOM restaurables byte a byte y gateway S3 que compacta el almacenamiento PACS en segundo plano.
Unos 10 MB/s por núcleo en Arm con SIMD.
CLI, bindings de Python y WebAssembly con visor en el navegador; modelos entrenados con datos públicos de TCIA.
Mi investigación une deep learning, señales fisiológicas e imagen médica, con transferencia a entornos clínicos y docentes.
Intereses
Deep learning sobre EEG y señales biomédicas
Visión por computador en imagen médica
Sistemas de IA fiables y operables en clínica
Publicaciones
A Deep Learning Approach to Estimate Multi-Level Mental Stress from EEG using Serious Games J. J. González-Vázquez, L. Bernat, J. L. Ramón, V. Morell, A. Úbeda. IEEE Journal of Biomedical and Health Informatics, 2024 · Revista · 22 citas · Factor de impacto 7,7 · Cuartil JCR Q1 · CiteScore 14,3 · FWCI 4,2 Estimación de varios niveles de estrés mental a partir de EEG, combinando un serious game de dificultad creciente con redes recurrentes. El modelo alcanza hasta un 94 % de acierto en algunos casos. IEEE Xplore · DOI
Charlas
IA y tecnologías 3D para el análisis vascular — Meet Addit 2026 · 3D Printer Party, Valladolid (2026)
Salud y tecnología: proyectos empresariales — III Jornadas de Transferencia Tecnológica del INIT · UJI, Castellón (2025)
Ponencia en CV+i Health Day — CV+i Health Day, Valencia (2025)
Ponencia en UA Surgical Planning Day — Universidad de Alicante, Alicante (2025)
OUT[05] · Cerebelo
Stack
Cada unidad de la red lleva el nombre de una capacidad. Lo que ves en cada mapa es su activación real ante lo que la red está mirando ahora mismo.
Fundamentos CONV1 · 8 filtros
Detectores de bajo nivel: los bordes y trazos sobre los que se construye todo lo demás.
Fundamentos de IA — Inteligencia artificial · 5 años
Álgebra lineal — Matemáticas · 7 años
Probabilidad y estadística — Matemáticas · 6 años
Optimización — Matemáticas · 5 años
Algoritmos y estructuras de datos — Computación · 7 años
Sistemas distribuidos — Computación · 4 años
Arquitectura de software — Computación · 5 años
Señales biomédicas — Biomédica · 5 años
Física y matemáticas aplicadas — Biomédica · 6 años
Herramientas CONV2 · 16 filtros
Combinaciones de fundamentos: lenguajes, frameworks e infraestructura del día a día.
Python — Lenguajes · 7 años
Rust — Lenguajes · 2 años
C++ — Lenguajes · 5 años
TypeScript / Node.js — Lenguajes · 4 años
C# — Lenguajes · 4 años
SQL — Lenguajes · 5 años
CUDA — Lenguajes · 3 años
Java — Lenguajes · 3 años
PyTorch — Frameworks · 5 años
Hugging Face — Frameworks · 3 años
MONAI — Frameworks · 3 años
nnU-Net — Frameworks · 3 años
vLLM — Frameworks · 2 años
TensorFlow — Frameworks · 4 años
Docker — Infraestructura · 5 años
Kubernetes — Infraestructura · 3 años
FastAPI — Infraestructura · 4 años
MLflow — Infraestructura · 3 años
Kubeflow — Infraestructura · 2 años
DVC — Infraestructura · 2 años
GitHub Actions — CI/CD · 3 años
Helm — CI/CD · 2 años
ONNX Runtime — Inferencia · 3 años
TensorRT — Inferencia · 3 años
NVIDIA Triton — Inferencia · 3 años
Competencias FC1 · 32 neuronas
Representaciones de alto nivel: lo que sé resolver de principio a fin.
Redes convolucionales — Deep Learning · 5 años
Vision Transformers y SAM — Deep Learning · 3 años
Modelos generativos — Deep Learning · 2 años
Segmentación de imagen médica 3D — Computer Vision · 4 años
Detección de objetos — Computer Vision · 3 años
Foundation models de visión — Computer Vision · 2 años
LLMs y fine-tuning (LoRA) — NLP · 2 años
RAG y búsqueda semántica — NLP · 2 años
Agentes de IA — NLP · 2 años
Aprendizaje supervisado — Machine Learning · 6 años
Serving (Triton, vLLM) — Inferencia · 3 años
Cuantización y destilación — Inferencia · 2 años
Inferencia optimizada en GPU — Inferencia · 3 años
CI/CD y GitOps — MLOps · 3 años
Tracking y registro de modelos — MLOps · 3 años
Monitorización y métricas — MLOps · 3 años
Pipelines de datos — MLOps · 4 años
AWS — Cloud · 3 años
GCP — Cloud · 2 años
Azure — Cloud · 2 años
Terraform / IaC — Cloud · 2 años
Kubernetes y Flux CD — Cloud · 2 años
DICOM, PACS y HL7 FHIR — Clínica · 3 años
MDR, IEC 62304 y AI Act — Clínica · 2 años
Unity y entornos 3D — Software · 4 años
Backend y frontend — Software · 5 años
Ciberseguridad aplicada — Software · 2 años
Gestión de proyectos — Organización · 3 años
Docencia universitaria — Organización · 1 año
Investigación aplicada — Datos · 4 años
Diseño de sistemas de ML — Datos · 4 años
Calidad de datos clínicos — Datos · 4 años
OUT[06] · Área de Wernicke
Formación
Máster en Inteligencia Artificial
Universidad Politécnica de Madrid · 2023–2024 · Madrid · TFM 10 · MH en Visión por Computador
Matrícula de Honor en Visión por Computador
Trabajo fin de máster calificado con 10
Grado en Ingeniería Biomédica
Universidad de Alicante · 2018–2022 · Alicante · Premio al mejor expediente · TFG 10
Premio al mejor expediente académico del grado
Premio Extraordinario de Ingeniería Biomédica de la GVA
9 matrículas de honor en asignaturas técnicas, de programación, físicas y biomédicas
Cursos
CS50 — Harvard · Introduction to Artificial Intelligence with Python (2024)
CCN — 8 certificaciones CCN-CERT y ciberseguridad en el teletrabajo (2023)
Máster en programación de videojuegos con Unity — Formación de posgrado (2023)
OUT[08] · Corteza visual V1
Lab
Todo lo que se mueve en esta página es la actividad real de una red convolucional de 20.042 parámetros, escrita desde cero y entrenada para reconocer los diez símbolos de este portfolio.
La red sigue entrenándose en un Web Worker mientras navegas (aprendizaje online con AdamW).
Cada frame, el worker ejecuta un forward pass sobre la "retina" de 24×24 y envía todos los tensores al renderer.
Las neuronas de salida son las secciones del sitio: su probabilidad softmax es el brillo que ves en la corteza.
Puedes dibujar un símbolo, reiniciar los pesos y ver a la red aprender desde cero.
OUT[09] · Área de Broca
Contacto
Si hay un problema de IA, software o imagen médica que merezca construirse bien, escríbeme.