Proyectos
Sistemas en producción y escalables. No MVP.
Telecomunicaciones
Ecosistema de IA para operaciones telecom
Un carrier telecom necesitaba unificar su operación de campo, monitoreo de red, gestión de sitios, KPIs y priorización en una sola plataforma. Operaban con 6+ sistemas desconectados, procesos manuales en Excel, y operadores que perdían 15 minutos por consulta navegando entre aplicaciones. Resultado: el tiempo de consulta operacional bajó de 15 minutos a menos de 2 segundos. La productividad del centro de control aumentó porque los operadores dejaron de copiar datos entre sistemas y empezaron a tomar decisiones con información consolidada en tiempo real.
Backend (338K lines)
backend-api · FastAPI · 138K lines
backend-engine · Python · 200K lines
│
Frontend (98K lines)
frontend-web · Node.js + Express + EJS
Chart.js · WebSocket · SSE
│
AI Layer (38K lines)
mcp-server · Claude
65 tools · 13 módulos · MCP
│
+6 componentes auxiliares
WhatsApp relay · criticality engine
panel · reportes · sistema de sitios · monitoreo de red
Arquitectura del ecosistema
12 componentes en producción. 476K líneas. FastAPI + Node.js + PostgreSQL + Docker.
Métricas de producción
Datos reales del sistema operando para un carrier telecom líder.
API + Engine
338K líneas Python sobre FastAPI. Gestión de miles de tareas de campo diarias, priorización multi-factor por criticidad (SLA, antigüedad, impacto, zona), tracking GPS de técnicos via field service, integración con gestión de sitios y monitoreo de red. API REST con 200+ endpoints.
Frontend Web
98K líneas Node.js + Express con server-side rendering. Dashboard operacional en tiempo real con Chart.js. WebSocket para push updates. Panel de priorización interactivo. Mapa GPS de técnicos. Interfaz responsive para uso en centro de control 24/7.
Asistente IA Chat + MCP
38K líneas. Claude orquestando 65 herramientas en 13 módulos. Entity extraction con Haiku (~200ms). Ejecución paralela con asyncio.gather(). Anti-hallucination guardrails. Circuit breaker. WhatsApp para equipos en terreno via Twilio relay. Certificado 123/123 tests en 19 categorías.
MCP: Model Context Protocol
Primer MCP de Telecom en Chile orquestado por IA en lenguaje natural
Desarrollamos un servidor MCP que conecta Claude AI directamente a toda la infraestructura operacional del cliente. Operadores preguntan "¿cuáles son las tareas críticas estancadas del sitio SITE-001?" y reciben respuesta en 2 segundos. Antes: 6 aplicaciones, 15 minutos.
tasks ····· 20 (search, SLA, timeline)
tasks_extra · 10 (aging, stalled, stats)
kpis ······ 16 (realtime, MTTR, mgmt)
field ······ 12 (GPS, distance, assign)
panel ····· 11 (filter, summary, check)
sites ······· 11 (sites, history, autorización de acceso)
analysis ··· 5 (briefing, classify)
network ···· 5 (site health, alarms)
email ····· 4 (send, list, access auth)
health ···· 4 (system, monitors)
whatsapp ·· 3 (send, group)
monitors ·· 3 (status, alerts)
quick ····· 1 (datetime)
13 módulos de herramientas
Cada módulo agrupa tools por dominio operacional.
in: "tareas críticas SITE-001"
│
NLP (Haiku ~187ms)
pop: SITE-001 · criticality: 1
│
tools (parallel)
→ critical_stalled 340ms
→ panel_summary 220ms
│
out: 3 tareas · 1.4s total
guardrails: clear
Pipeline de ejecución
De pregunta en lenguaje natural a respuesta con datos reales en <2 segundos.
Anti-hallucination
Tool calls obligatorios
2-stage correction
│
Write protection
dry_run=true default
Confirm en msg separado
│
Circuit breaker
5 failures → OPEN 60s
│
Loop detector
Max 5 identical · Max 4 errors
Guardrails de seguridad
Multi-capa: anti-hallucination, write protection, circuit breaker, loop detection.
Educación · AI-Driven
Adaptación de Plataforma Educativa de código abierto a Production-Grade con DevSense
Adaptación de plataforma educativa de código abierto para 3 sedes con requerimientos distintos. Gestión académica, calificaciones, inscripciones, calendarios, y autenticación con SSO gubernamental. Resultado: la plataforma se entregó en 10 semanas (vs. 6+ meses estimados por otro proveedor). Las 3 sedes operan de forma independiente sobre una base de código compartida, lo que redujo costos de mantenimiento en más de un 60%.
branches
base → módulos comunes
sede-1 → extensiones específicas
sede-2 → extensiones específicas
sede-3 → extensiones específicas
│
CI/CD
lint → SAST → test → build
→ container scan → deploy
│
Imágenes Docker por rama
Reproducibles y portables
Branching multi-sede
Rama base compartida + ramas específicas. Cero modificación al core de ERP.
$ devsense process --project academias
│
✓ Categorías docentes · 23m
✓ Calificaciones parciales · 47m
✓ Plazos por etapa · 31m
✓ Descarga de material · 19m
✓ Tabulación Excel · 52m
✓ Setup Docker base · 68m
│
6/6 PASS · 3 auto-healed
DevSense en acción
Issues procesados automáticamente con sandbox validation y auto-healing.
CorePlexML - Machine Learning Platform
Desarrollo de CorePlexML con DevSense
La plataforma de Machine Learning que necesitábamos y que no existía como producto integrado. Permite a equipos sin especialistas en ML subir datos, entrenar modelos automáticamente, desplegarlos en producción con monitoreo, y cumplir normativas de privacidad. Resultado: empresas que antes necesitaban un equipo de data science de 3-4 personas ahora operan ML con 1 analista usando CorePlexML. Del dato crudo al modelo en producción en menos de 1 hora.
H2O.ai y FLAML compitiendo en paralelo con leaderboard en tiempo real
Explicabilidad: contribución de cada feature a las predicciones
PASS ml_engineer_meta 85/85 · PASS triple_parity 71/71
PASS ui_component 52/52 · PASS playwright_stress 34/34
PASS studio_stress 48/48 · PASS synthgen 21/21
PASS multi_automl 11/11 · PASS builder 32/32
PASS data_parity 14/14 · PASS semantic 19/19
PASS ui_api_parity 49/49 · PASS platform 126/126
│
Total: 562/562 · GO
Certificación de calidad
12 gates independientes. Paridad triple, stress testing, auditoría semántica. Decisión: GO.
Modernización · DevOps
GitLab on-premise + containerización + CI/CD enterprise
Implementación de GitLab on-premise para clientes enterprise que requieren control total de código y pipelines. Migración de aplicaciones legacy a Docker/Podman sin downtime. Adaptación de soluciones open-source a ambientes productivos con health checks, Prometheus, Grafana, y documentación operacional auto-generada. Blue-green deployments. Let's Encrypt SSL automático. Container scanning con Trivy.
stages:
analyze: lint · SAST · secrets · deps
test: Docker + functional + integration
build: multi-stage image por rama
scan: Trivy container scanning
deploy: blue-green → production
│
infra: GitLab self-hosted · Docker registry privado
monitoring: Prometheus + Grafana
ssl: Let's Encrypt automático
Pipeline CI/CD enterprise
GitLab CI con SAST, container scanning, y deploy blue-green automatizado.
¿Tienes un proyecto similar?
Proyectos entregados en semanas en vez de meses, operaciones que pasaron de 15 minutos a 2 segundos, costos de mantenimiento reducidos en más de 60%. Contáctanos y evaluamos tu caso.
Agendar reunión