Diego Armando Salinas Lugo

Resumen profesional

Ingeniero de IA y Machine Learning, MSc in Artificial Intelligence (Distinction), que entrega sistemas completos — pipeline de datos, modelo, API, interfaz, nube — no notebooks. Construye IA generativa en SAP para automatizar el reporte de fallas técnicas y fundó ARMATUS, un coach de iOS en producción. Entregó mantenimiento predictivo con RMSE de 16.74 ciclos y R² 0.825 en NASA C-MAPSS vía FastAPI y una capa multi-agente LangGraph en Cloud Run. Monterrey, México; elegible a visa TN para roles en Estados Unidos.

Habilidades técnicas

Lenguajes

Python, SQL, TypeScript, JavaScript, MATLAB, C

Machine Learning

scikit-learn, XGBoost, TensorFlow, Keras, Random Forest, Gradient Boosting, Support Vector Regression, Neural Networks, Feature Engineering, Hyperparameter Tuning, Cross-Validation (LOPO, LOSO, k-fold)

IA generativa y LLM

SAP Business AI, SAP AI Core, SAP AI Launchpad, SAP Generative AI Hub, OpenAI GPT-4o, LangChain, LangGraph, Retrieval-Augmented Generation (RAG), Vector Databases (ChromaDB), Embeddings, Prompt Engineering, Multi-Agent Systems

MLOps y despliegue

FastAPI, REST APIs, Streamlit, Flask, Docker, Google Cloud Run, MLflow, Git, GitHub, Vercel, React Native (Expo), PostgreSQL, SQLAlchemy, Alembic, Supabase

Datos, evaluación y dominio

Pandas, NumPy, SciPy, NeuroKit2, Signal Processing (Butterworth, Welch PSD, PPG/HRV, vibration), Time-Series Forecasting, SHAP, LIME, ROC-AUC, Precision / Recall / F1, RMSE / MAE / R², Fairness Analysis, Predictive Maintenance, Healthcare & Clinical ML, Affective Computing, Robotics (PID, Fuzzy Logic), Industrial Automation

Idiomas

Español (nativo), inglés (profesional), alemán (básico)

Experiencia profesional

1. Ingeniero de Machine Learning e IA, SAP

   ene 2026 — Actualidad

   San Pedro Garza García, N.L., México

   • •Diseño y despliego servicios de IA generativa que automatizan el reporte de fallas técnicas, mejorando la categorización de incidentes y reduciendo el tiempo de triaje del ingeniero.
   • •Construyo extensiones con LLM sobre SAP Business AI y BTP, integrando foundation models vía SAP AI Core, AI Launchpad y el generative AI hub.
   • •Convierto texto no estructurado de fallas en registros estructurados y ruteables, reemplazando la clasificación manual con un flujo dirigido por modelo. Certified SAP Generative AI Developer (2026) sobre este stack.

2. Founder e ingeniero de machine learning, ARMATUS (armatus.app)

   may 2026 — Actualidad

   Monterrey, México

   • •Fundé y publiqué un coach de entrenamiento de iOS con IA generativa en producción: onboarding, generación de plan, tracking de sesión en vivo y progresión, bilingüe EN/ES.
   • •Arquitecté un protocolo cerrado de cinco etapas (calibrar, planear, adaptar, ejecutar, evolucionar) que regenera cada semana a partir de series registradas, PRs y fatiga acumulada en lugar de servir una plantilla estática.
   • •Construí una API de streaming que convierte un perfil de atleta más señales diarias de readiness (energía, sueño, tiempo) en un plan semanal dosificado con justificación explícita.
   • •Modelé el trabajo de endurance como carga sistémica real para que el volumen de fuerza se ajuste solo detrás de un techo de readiness; soy dueño de toda la superficie, del cliente móvil a la API.

3. Trainee de datos e IA, Interius

   sep 2025 — dic 2025

   San Pedro Garza García, N.L., México

   • •Entregué MVPs de IA de punta a punta — encuadre del problema, ingeniería de features, entrenamiento, evaluación y despliegue.
   • •Construí segmentación de contactos por engagement, geografía y actividad de canal, convirtiendo una lista plana en cohortes accionables para outreach personalizado.
   • •Publiqué diagnósticos de carga y eficiencia como servicios Streamlit contenedorizados en Google Cloud Run para acceso self-serve de stakeholders.

4. Investigador de IA, University of Essex

   nov 2024 — sep 2025

   Colchester, Reino Unido

   • •Construí un pipeline de reconocimiento de emoción de punta a punta a partir de PPG en 62 participantes, alcanzando Pearson r = 0.5975 y RMSE 0.154 para arousal continuo, por encima del r ≈ 0.40 reportado en trabajo comparable solo con PPG.
   • •Ingenié 30+ features de HRV en dominios de tiempo, frecuencia (Welch PSD) y Poincaré no lineal, con normalización de baseline por sujeto.
   • •Validé bajo validación cruzada leave-one-participant-out con búsqueda anidada, comparando Random Forest, XGBoost y SVR para probar generalización a sujetos no vistos.

Proyectos seleccionados

1. Plataforma de mantenimiento predictivo — Remaining Useful Life

   rul-dashboard-368785016309.us-central1.run.app

   XGBoost, SHAP, FastAPI, Streamlit, LangGraph, OpenAI, MLflow, Docker, Google Cloud Run

   • •Predije la vida útil restante de turbofán en NASA C-MAPSS a 16.74 ciclos de RMSE de test, 12.33 MAE y R² 0.825, con SHAP exponiendo el sensor que mueve cada predicción.
   • •Lo serví vía FastAPI detrás de un dashboard de flota Streamlit, más una capa multi-agente LangGraph que responde preguntas en lenguaje natural y emite briefings en PDF.

2. Asistente personal de investigación — Retrieval-Augmented Generation

   github.com/DArmandoSalinas/RAG

   FastAPI, LangChain, ChromaDB, OpenAI GPT-4o, text-embedding-3-small, Streamlit, PyPDF

   • •Construí pregunta-respuesta sobre documentos que parte, embede y recupera vía MultiQueryRetriever, anclando cada respuesta de GPT-4o en ChromaDB y devolviendo el fragmento fuente.
   • •Indexé un corpus de 149 segmentos y eliminé respuestas sin fuente al hacer de la cita un requisito duro del contrato de respuesta.

3. Clasificación de riesgo cardiovascular — ML clínico sin fugas

   github.com/DArmandoSalinas/HeartDisease-Predictor

   scikit-learn, HistGradientBoosting, SHAP, LIME, ColumnTransformer

   • •Clasifiqué enfermedad coronaria en 920 pacientes de cuatro sitios a 0.90 ROC-AUC de test, 87.3% recall y 0.85 F1, afinando el umbral por recall porque un caso perdido cuesta más que una falsa alarma.
   • •Evité fugas ajustando el ColumnTransformer dentro de la validación cruzada, y expuse una brecha de transportabilidad vía validación Leave-One-Site-Out (AUC medio 0.79, peor sitio 0.70).

4. COAZON — compañero de salud cardíaca (en desarrollo)

   FastAPI, SQLAlchemy 2.0, PostgreSQL, Alembic, JWT, React Native (Expo), TypeScript, OpenAI, Railway

   • •Construyo una app bilingüe de cuidado cardíaco que convierte una receta en un plan vivo — recordatorios de medicación, registro guiado de presión con tendencias por zona clínica, un motor determinista de banderas rojas y un reporte PDF listo para el médico.
   • •Acoté la capa de IA para que estructure y resuma pero nunca diagnostique, recete ni altere una dosis, y la hice degradar a modo fully manual sin API key para que la app nunca dependa de que el modelo esté disponible.

5. Monitoreo de desempeño de motores — IoT industrial (1.er lugar, Tec Expo Ingenierías)

   github.com/DArmandoSalinas/Motor-performance-prediction

   Python, Streamlit, signal processing, serial telemetry, statistical thresholding

   • •Gané primer lugar en Tec Expo Ingenierías al reingeniar un procedimiento de mantenimiento de planta existente en un sistema de monitoreo en vivo, perfilando un motor trifásico Sumitomo en cinco baselines de velocidad y un Haas Mini Mill a partir de trayectorias combinadas.
   • •Califiqué la salud de máquina 0–100 a partir de telemetría serial de vibración y temperatura con umbrales adaptativos específicos, manteniendo el diseño fully basado en reglas para que cada alarma remita a la estadística que la disparó; reconocimiento de Rockwell Automation por el trabajo de integración.

6. Apoyo al tamizaje de TDAH con análisis de equidad

   github.com/DArmandoSalinas/Predicting-ADHD-sex

   scikit-learn, XGBoost, Keras, KernelPCA, SHAP, LIME

   • •Predije outcomes de TDAH para 1,213 participantes a partir de conectomas de fMRI y datos psicosociales a 82% de accuracy, recall 0.88–0.90 y AUC 0.866; reporté resultados por sexo, mostrando una brecha de recall femenino ligada al subdiagnóstico documentado.

Educación

1. MSc Artificial Intelligence — Distinction

   2024 — 2025

   University of Essex, Reino Unido

   • •Materias: Machine Learning; Intelligent Systems and Robotics; Data Science and Decision Making; Neural Networks; Natural Language Engineering. Tesis: reconocimiento de emoción por variabilidad de la frecuencia cardíaca a partir de señales PPG.

2. Ingeniero en Mecatrónica

   2021 — 2025

   Tecnológico de Monterrey, México

   • •Materias: sistemas de control, automatización industrial, diseño de robots, manufactura.