¿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 GeneticAgent?

Agente con 93 parámetros genéticos que evoluciona jugando. Entrenado en 40,000 partidas contra 10 rivales distintos, logrando 45 configuraciones con 100% de victorias.

¿Qué tecnologías usa GeneticAgent?

GeneticAgent está desarrollado con Python, Algoritmos Genéticos, Teoría de Juegos, NumPy, Matplotlib.

¿Quién desarrolló GeneticAgent?

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

En desarrollo

GeneticAgent

IA que aprende a dominar Catan por evolución

>El Problema

En un entorno académico competitivo donde 10 estudiantes desarrollaron agentes para jugar Catan, el desafío era crear un agente que no solo compitiera, sino que dominara a los demás. Los agentes rivales usaban heurísticas fijas o reglas simples, pero ninguno aplicaba aprendizaje automático.

>La Solución

Desarrollé un pipeline de ML completo: GeneticAgent con 93 parámetros en 11 módulos de decisión, entrenador evolutivo con población de 40, mutación adaptativa (5-60%) y modo pánico (90%), benchmark exhaustivo contra todas las combinaciones de oponentes, y optimización especial para némesis con hasta 200 generaciones.

>Resultados

Partidas Simuladas

Benchmark exhaustivo contra todas las combinaciones

Parámetros Genéticos

11 módulos de decisión optimizados evolutivamente

Win Rate Promedio

54% mejor que el baseline aleatorio (25%)

Victorias Perfectas

Configuraciones con 100% de victorias

>Stack Técnico

Backend

PythonNumPy

AI/ML

Algoritmos GenéticosSelección por TorneoMutación AdaptativaCrossoverFunciones HeurísticasTeoría de Juegos

Other

Matplotlib

>Aprendizaje Clave

“La IA no se trata solo de implementar algoritmos, sino de diseñar sistemas que aprendan y se adapten. Un agente con parámetros fijos nunca superará a uno que evoluciona.”
El verdadero poder de los algoritmos genéticos está en el diseño de la función fitness y en la representación del cromosoma. Modelar las 11 categorías de decisión de Catan requirió entender profundamente la teoría de juegos.

>Enlaces

Ver Codigo

Ver todos los proyectos Siguiente proyecto