¿Qué experiencia tiene Vicente con IA y LLMs?

Vicente tiene experiencia práctica implementando sistemas RAG, fine-tuning de LLMs, y desarrollo de chatbots con OpenAI y modelos open source. Ha creado sistemas que automatizan el 70% de consultas repetitivas.

¿Vicente está disponible para trabajar?

Sí, Vicente está disponible para contratación inmediata. Puede trabajar de forma remota, híbrida o presencial en Valencia, España. Responde a todas las consultas en menos de 24 horas.

¿Qué tecnologías domina Vicente?

Vicente domina RAG, LLMs, Python, TypeScript, React, Next.js, Node.js, Docker, AWS, TensorFlow y ROS2. Tiene certificación Scrum y experiencia liderando equipos.

¿Qué proyectos destacados ha realizado Vicente?

Entre sus proyectos destacan: AidGuide (perro guía robótico con visión por computador), Osyris-Web (plataforma con 100+ usuarios), y el sistema RAG que automatiza consultas del DNI.

¿Cómo puedo contactar a Vicente?

Puedes contactar a Vicente a través de su portfolio en vicenterivasmonferrer.dev, por LinkedIn, o agendando una llamada directa por Calendly. Responde en menos de 24 horas.

¿Qué es Chatbot DNI?

Chatbot para ONG que responde consultas con 94% de precisión sin coste en APIs. Combina 4 modelos LLM en ensemble con Context Tracker para conversaciones naturales multi-turno.

¿Qué tecnologías usa Chatbot DNI?

Chatbot DNI está desarrollado con Python, FastAPI, ChromaDB, LangChain, Ollama y 4 tecnologías más.

¿Quién desarrolló Chatbot DNI?

Chatbot DNI fue desarrollado por Vicente Rivas Monferrer, AI Engineer y Full Stack Developer de Valencia, España. Puedes contactarle en vicenterivasmonferrer.dev.

En producción

Chatbot DNI

Chatbot RAG con 94% de precisión y 0€ de coste

>El Problema

DNI (Damos Nuestra Ilusión) es una asociación de voluntarios en Valencia que ayuda a personas sin hogar. Reciben cientos de consultas sobre programas y horarios. Los voluntarios estaban saturados respondiendo preguntas repetitivas.

>La Solución

Sistema RAG de nivel producción como TFG: Chatbot v3.3 con Context Tracker de 4-turn, confidence dinámico de 6 factores, 263 chunks optimizados. Sistema Ensemble con 4 estrategias y 4 LLMs (+5.6% mejora). Dashboard con export Excel/PDF. Telegram Bot con persistencia. 68+ benchmarks para evaluación científica.

>Resultados

Success Rate

79/84 preguntas respondidas correctamente

Modelos LLM

gemma2, llama3.3, qwen3, deepseek-r1 en ensemble

Mejora Ensemble

Consensus strategy vs mejor modelo individual

Benchmarks

Evaluación científica rigurosa con RAGAs

0€

Coste APIs

Servidor Ollama UPV sin coste operativo

Estrategias Ensemble

Voting, Weighted, Routing, Consensus

>Stack Técnico

Backend

Python 3.12FastAPIUvicorn

AI/ML

LangChaingemma2:27bllama3.3:70bqwen3:32bdeepseek-r1RAGAs Framework

Database

ChromaDB

Frontend

WebSocketTelegram BotStreamlit

>Aprendizaje Clave

“Un sistema RAG de producción requiere Context Tracking, confidence dinámico, evaluación continua, y estrategias de ensemble para alcanzar fiabilidad real.”
La diferencia entre un chatbot demo y producción está en los detalles: ventana de contexto de 4 turnos, confidence de 6 factores, y ensemble de modelos. Los 68+ benchmarks permitieron iterar científicamente.

Ver todos los proyectos Siguiente proyecto