Mauro Orlando

Problema

Dr.DocBench Challenge, una competición internacional abierta del workshop DocInsights de EMNLP 2026: parsing de documentos de nivel experto en las páginas donde los sistemas más fuertes todavía fallan, convertido en Markdown estructurado con tablas, fórmulas, notación química y orden de lectura intactos.

Qué hice

Construí un sistema multiagente en LangGraph que convierte documentos difíciles en Markdown. Los modelos se eligieron por tarea, según costo y calidad. Un grupo de agentes analiza errores, propone y prueba mejoras y conserva solo lo que gana en un holdout bloqueado; otro procesa cada página. La persona manda, con puertas de aprobación.

Stack

Python, FastAPI, LangGraph, Next.js, LLMs, OCR, IA para documentos

Ver la clasificación final ↗

Problema

La transición de carrera es lenta, genérica y difícil de recorrer.

Qué hice

Diseñé y construí una plataforma hiperpersonalizada de transición de carrera basada en ciencia del comportamiento: siete fases guiadas, el 100% del contenido creado en tiempo real con cada usuario, incluidos unos 25 minutos de audio personalizado mediante la API de ElevenLabs. Agentes LLM por etapas, con enrutamiento de modelos y capas anti-alucinación.

Stack

Next.js, TypeScript, Supabase, Claude API, ElevenLabs, HeyGen

Ver el sitio ↗

Problema

La formación de liderazgo corría sobre un LMS de pago.

Qué hice

Construí una plataforma completa y gamificada de aprendizaje con IA que lo reemplazó: itinerarios paso a paso, juegos de simulación que puntúan a los líderes, avatares de IA y un panel en tiempo real para gerentes y RR. HH.

Construido como Head of Technology en Cuidar+.

Problema

Las empresas deben mapear y atender el riesgo psicosocial en el trabajo según la normativa brasileña (NR-1).

Qué hice

Construí el diagnóstico y los dashboards de análisis, con franjas de riesgo, alertas y eNPS.

Stack

React, Node.js, Railway, dashboards de análisis

Ver el sitio ↗

Construido como Head of Technology en Cuidar+.

Qué hice

Construí una capa compartida de agentes que escriben y publican contenido en Instagram y LinkedIn tras la aprobación de una persona.

Construido como Head of Technology en Cuidar+.

Problema

Los consumidores no pueden entender qué hay realmente en su comida.

Qué hice

Construí una app móvil que lee etiquetas de alimentos y devuelve scores de riesgo, alertas de alergia y alternativas más saludables, con base en referencias de la OMS, la FDA y la EFSA.

Stack

Móvil, visión por computadora, LLMs

Ver el sitio ↗

Problema

Una empresa industrial de visión por computadora necesitaba un backend y una tienda en producción para sus servicios de IA.

Qué hice

Diseñé y construí la tienda que vende decenas de los servicios de visión por computadora del cliente. Los clientes envían fotos y videos por la interfaz web o por una API REST, bajo un modelo de uso y créditos.

Stack

Node.js, PostgreSQL, Railway, Playwright

Qué hice

Un servidor MCP que le da a los agentes de IA un analista de BI gobernado sobre los datos de la empresa: capa semántica con métricas aprobadas, verificaciones de calidad de datos, permisos, auditoría y linaje. Cada consulta SQL generada se verifica antes de ejecutarse.

Ver el repositorio ↗

Problema

Reglas de negocio críticas quedan encerradas en COBOL que ya nadie en el equipo puede modificar con seguridad.

Qué hice

Pipeline multiagente en LangGraph, construido sobre AWS CardDemo: los agentes leen el código, extraen las reglas de negocio, las traducen a un lenguaje moderno y validan el resultado contra el comportamiento original. Antes de cada paso crítico hay una pantalla de decisión humana, y el trabajo de cada agente es visible mientras se ejecuta.

Stack

Python, LangGraph, COBOL, Next.js

Problema

La dirección necesitaba una visión semanal confiable del negocio, pero los números vivían en más de 30 sistemas de origen que no coincidían entre sí.

Qué hice

Consolidé más de 30 sistemas de origen, construí una capa semántica para que todas las áreas leyeran las mismas definiciones, y agregué una revisión humana antes de la publicación.

Problema

Los carros blindados de transporte de valores debían ser ruteados en una red grande, con restricciones de costo, tiempo y seguridad.

Qué hice

Optimización de rutas para la flota de transporte de valores, diseñada y validada con los analistas del propio cliente.

Problema

Las decisiones de perforación de pozos son caras, difíciles de revertir y están limitadas por lo que permite la geología.

Qué hice

Optimización de perforación de pozos a partir de datos de radar geográfico, construida con los equipos de ingeniería y análisis del cliente.