Jabes Monroy — Científico de datos junior

Índice del registro

01 CRM en producción para una constructora 6 meses En producción
02 Clasificador de enfermedades en cultivos 99,4 % Demo pública
03 Limpieza y series de tiempo de ventas Series mensuales Bajo petición

Entrada 01

En producción

Un CRM que administra la venta de lotes a cuotas, entregado en 6 meses.

Cliente: Inversiones y Construcciones El Cóndor S.A.S
Rol: Desarrollador backend, por contrato
Periodo: Febrero – julio de 2026
Herramientas: Node.js · Express · PostgreSQL sobre Supabase

La empresa vende lotes a cuotas y paga comisiones a sus asesores. Ninguna de las dos cosas puede salir mal.

La decisión: puse las reglas de negocio dentro de la base de datos, no en el cliente. Diez tipos de estado, doce funciones con sus disparadores y doce vistas de control. Así, un lote no se puede vender dos veces, una venta ya liquidada no se deja editar, y la comisión solo se causa cuando entra el pago.

Entrada 02

Demo pública

Un modelo que reconoce 38 enfermedades de cultivo en una foto, con 99,4 % de exactitud.

Contexto: Proyecto final de Procesamiento Digital de Imágenes
Rol: Autor
Datos: PlantVillage · 38 clases · unas 54.000 imágenes
Herramientas: PyTorch · MobileNetV2 · ExecuTorch

Desempeño medido sobre el conjunto de prueba
Medida	Valor	Sobre qué
Exactitud	0,9939	conjunto de prueba independiente
Macro-F1	0,9915	el mismo conjunto, promediando clases
Validación	0,9930	mejor época, de diez

La decisión: transfer learning con MobileNetV2 en lugar de entrenar desde cero, porque con clases desbalanceadas partir de pesos de ImageNet rinde más que cualquier arquitectura nueva. Reporto el Macro-F1 junto a la exactitud porque el promedio simple esconde las clases raras.

Después exporté el modelo a ExecuTorch para que corra en CPU. Por eso la demo responde sin necesidad de GPU y cualquiera puede subirle una foto ahora mismo.

Entrada 03

Bajo petición

Un histórico de ventas sucio, convertido en series mensuales confiables por producto.

Rol: Autor
Trabajo: Diagnóstico de calidad, depuración y series de tiempo
Herramientas: Python · pandas · NumPy

El maestro de productos traía el mismo artículo escrito de cinco maneras distintas, las fechas venían inconsistentes y el archivo llegaba en la codificación que usan los ERP viejos.

La decisión: agrupo los productos por similitud de texto en vez de confiar en el código, y el notebook detecta los nombres de las columnas al ejecutarse en lugar de darlos por supuestos. El próximo archivo que exporte el ERP va a llegar distinto, y tiene que seguir funcionando.

Pedir el notebook por correo

Jabes Monroy, sonriendo, con camiseta roja de la Universidad Nacional, en el campus de Manizales.

Quién escribe esto

Enseñé antes de programar. Fui monitor de Análisis y Diseño de Algoritmos, Estructuras de Datos y Programación II, y antes di clases de matemáticas y física a estudiantes de grado once.

Explicar el mismo algoritmo veinte veces a veinte personas distintas cambia la forma de escribir código: si quien lo lea después no lo entiende, no está terminado.

Hoy soy joven investigador en PCM Computational Applications, un grupo categoría A1 de Minciencias, haciendo analítica y aprendizaje automático sobre datos reales. Busco un puesto donde el trabajo no se detenga en el notebook.

Herramientas: Python · SQL · Java · PyTorch · scikit-learn · pandas · NumPy · Node.js · Express · PostgreSQL · Supabase · Git
Distinción: Beca Mejores Promedios, 2022
Idiomas: Español nativo · inglés de lectura técnica