Denis Kleptsov
Apps con LLM en local, plataformas de RAG y analítica de voz en producción, y los productos full-stack que las envuelven.
Soy ingeniero de IA/ML y convierto modelos de nivel investigación en productos que la gente usa a diario: apps con LLM en local para macOS, sistemas de RAG y analítica de voz en producción, y la web full-stack que los acompaña. Me importan la latencia, la privacidad y entregar cosas que funcionan.
Listos y en marcha - pruébalos.
Traduce Word, Excel y PowerPoint totalmente sin conexión — en tu Mac.
Una app de macOS que traduce documentos de Office con un LLM de 1.8B parámetros ejecutándose localmente en Apple Silicon. Se preserva cada fuente, tabla y gráfico, y nada sale de tu equipo.
Una alternativa autoalojada a Calendly que nunca duplica reservas.
Una app de agendamiento con disponibilidad perfecta entre zonas horarias y prevención de dobles reservas a nivel de base de datos. Sí — la misma que usa este sitio en el botón «Reservar una reunión».
Convierte Markdown en un documento de Word con formato impecable, de un solo pegado.
Una herramienta web en vivo que convierte Markdown en archivos .docx limpios y con estilo — encabezados, tablas, bloques de código y temas incluidos — sin registro.
Agentes, RAG y experimentos de NLP en GitHub.
Un agente RAG estilo producción, trazado y evaluado de extremo a extremo.
Un asistente con generación aumentada por recuperación construido sobre LangGraph, con trazado y evaluación completos vía LangSmith y una interfaz FastAPI + React.
Un agente que escribe Python, lo ejecuta y corrige sus propios errores.
Un agente de programación autónomo que genera Python, lo ejecuta, detecta sus propios errores en tiempo de ejecución y se autocorrige en bucle hasta que la tarea pasa.
Un sistema de preguntas y respuestas con Agentic RAG, limpio y fácil de modificar.
Un ejemplo mínimo en LangChain de preguntas y respuestas con recuperación aumentada agéntica — un buen punto de partida para aprender o bifurcar.
Sistemas de IA y ML en producción para clientes empresariales.
Diseñé y entregué plataformas de recuperación — combinando grafos de conocimiento con búsqueda por embeddings — que alimentan asistentes de IA internos en una empresa, con pipelines de evaluación que mantienen las respuestas honestas.
Construí un sistema de predicción de abandono basado en redes neuronales para un operador móvil con más de 50M de abonados y lideré al equipo hasta producción. La puntuación de riesgo proyectaba reducir el abandono en un 5%.
Puse en marcha un sandbox de ejecución de código seguro y autoalojado para que los asistentes de IA ejecuten código generado sin riesgos — una alternativa propia a los sandboxes en la nube, con aislamiento y límites de recursos.
Entrené y desplegué un clasificador en ensamble (TF-IDF + embeddings + regresión logística) sobre más de 32k ejemplos etiquetados, con un LLM generando justificaciones citadas para cada predicción — experimentos documentados desde el tamaño de datos hasta el modelo final.
Construí un agente de voz en producción para un despacho de abogados, con llamadas entrantes y salientes: diálogos de captación por SIP/WebRTC que extraen datos del cliente, más un motor de campañas salientes con ventanas de cumplimiento y reintentos. Cerca del 65% de las llamadas se resuelven de extremo a extremo sin operador humano.
Construí una app full-stack que convierte presentaciones PDF y PPTX en clases de IA interactivas: narración con GPT, voz en off con TTS local, preguntas y respuestas por voz en tiempo real con Whisper y cuestionarios autogenerados. La preparación de una clase bajó de unos dos días a menos de diez minutos.
Construí un pipeline que lee los correos de RFQ entrantes con adjuntos PDF y Excel mediante OCR, comprueba el inventario, busca ofertas de proveedores por API y redacta la propuesta comercial. Hasta 5x más rápido que el flujo manual.
Construí el módulo de NLP para la plataforma de gestión de innovación de un ferrocarril nacional: categorización, búsqueda difusa y analítica sobre más de 40.000 propuestas de innovación de empleados.
Construí una plataforma interna que convierte materiales de formación en tests de opción múltiple con preguntas y explicaciones generadas por LLM, los asigna automáticamente por oficinas y roles, e informa de analítica de aprobados en tiempo real.
Solo impacto y stack — detalles del cliente bajo NDA.
Lo que uso, agrupado por capa.
RAG / GraphRAG · LangGraph agents · LangSmith eval · OpenAI · Embeddings · llama.cpp · Apple MLX · Guardrails
scikit-learn · Ensembles · Fine-tuning · Qdrant · TF-IDF · Classification
Python · FastAPI · SQLAlchemy · Node.js · PostgreSQL · Redis · arq
TypeScript · React · SvelteKit · Astro · Tailwind v4
Tauri · Rust · Electron · macOS / App Store
Docker · Traefik · GitLab CI/CD · Linux / VPS · Let's Encrypt
AWS Lambda · Lambda Web Adapter · Function URLs · CloudFront · ECR · ACM · IAM · CloudWatch · Graviton / arm64
Apuntes sobre construir con LLMs, ML en local y la web.
Por que un modelo 12B sin cuantizar no corre en una GPU de gaming, como QLoRA y cuantizacion de 4 bits lo hacen posible, y como un draft model ajustado lo hace 1.7x mas rapido, suficiente para una llamada en vivo.
Cómo md2docx pasó de un contenedor en un VPS a serverless en AWS por ~0 $ — sin cambiar una línea de código de la app, más las tres trampas de las que nadie te avisa.
Un asistente que responde correos en automático puede hacer daño real. La aburrida capa de seguridad es lo que lo hace lanzable.
¿Tienes un producto de IA que construir o un problema difícil de ML? Escríbeme o reserva un hueco.