JSJorge Sebastián Soriano EN

Jorge Sebastián Soriano

Data Scientist · IA aplicada

Valencia · disponible en remoto desde España

Convierto procesos de negocio en herramientas de datos que mi equipo usa cada día: reglas sobre el ERP, paneles con alertas y buscadores que responden.

Termino el Máster en Ciencia de Datos (UOC, feb. 2027) con un TFM de visión por computador.

Ver proyectosEscríbemeDescargar CV

Ver en inglés ·

Experiencia

  1. mayo 2018 – actualidad
    Responsable de Administración (funciones de Data & Automation)Grupo Muebles España · División Baños · Valencia
    • Gestión de un equipo de 16 personas y coordinación funcional de la migración a SAP HANA desde 2020.
    • Motor de revisión de pedidos, comisiones y abonos sobre SAP Business One: 13 reglas explicables, en uso diario por atención al cliente. Detecta más de 7 pedidos duplicados reales a la semana antes de que se envíen y facturen dos veces.
    • Panel de calidad de servicio logística alimentado desde SAP: ahorro estimado de al menos 5 horas semanales.
    • Buscador de catálogo para atención al cliente y suite interna usada por unos 30 compañeros.
    • Reporting con Power BI, DAX, Power Query y SQL sobre SAP.
  2. 2016 – 2017
    Administrativo de contabilidadG-Tres Administradora de Fincas · Valencia
    • Contabilidad, cobros y liquidaciones; desbloqueo de más de 500 expedientes de pagos SEPA.
  3. 2009 – 2012
    Auxiliar administrativoG-Tres Administradora de Fincas · Valencia
    • Cobros, arqueos y liquidaciones de una cartera de 30 fincas.

Proyectos

Herramientas en uso en mi empresa y proyectos propios. Las demos usan datos sintéticos.

Destacados

En producción desde julio de 2026Sistema multiagente

IA para Humanos: una newsletter diaria preparada por diez agentes

Un sistema en Python que recopila noticias de IA, las filtra, comprueba cada afirmación contra su fuente, redacta, edita y prepara cada edición. Un orquestador determinista propio decide el orden; si un motor de IA falla, entra otro. Publicar lo decide siempre una persona.

60 ediciones generadas

Una cada mañana, con 392 tests automáticos.

  • Python
  • Agentes
  • Evaluación de LLM
  • Conmutación de motores
Leer el casoVer la explicación animada
Publicada en Google PlayApp Android · producto

ARX: la app que decide cuánto peso poner hoy

App de gimnasio, cardio y nutrición que registra cada serie, detecta récords en directo y propone la carga de la siguiente sesión. Funciona sin cobertura y sincroniza después. La usan 14 personas.

Datos del usuario, a salvo

Room es la fuente de verdad y Firestore el espejo. Una auditoría de cuota bajó cada pasada de sincronización de unas 2.800 lecturas a 52.

  • Kotlin
  • Jetpack Compose
  • Room · Firestore
  • Gemini
Leer el casoVer vídeoProbar la demo
Pruébalo

El buscador de catálogo, aquí mismo

Escribe como lo haría un cliente, con erratas incluidas. El buscador enseña qué ha entendido y responde con precio, stock, la mampara que cubre un hueco o el recambio.

Mismo motor, intérprete y catálogo ficticio que la demo completa.

pruébalo · buscador de catálogoel mismo motor que la demo

Cargando el catálogo ficticio…

Sin LLM ni coste por consulta: índice invertido, distancia de edición y reglas. Catálogo ficticio. Abrir la demo completa →

Más proyectos

Todos en uso · demos con datos sintéticos
Reglas de negocio · ERP

Revisión de pedidos, comisiones y abonos

Un motor de reglas lee lo que exporta el ERP dos veces al día y deja a atención al cliente una lista de trabajo: qué revisar, por qué ha saltado y quién lo ha validado ya.

CasoDemo
Motor de reglas explicable

Triaje explicable de ofertas

Reúne ofertas de varias fuentes públicas, las unifica y las puntúa con seis factores y cinco comprobaciones. No envía nada: prepara un informe y deja la decisión a una persona.

CasoDemo

Formación

Máster Universitario en Ciencia de Datos

Universitat Oberta de Catalunya (UOC) · en curso, fin previsto feb. 2027

TFM en curso: identificación de especies de tortuga con visión por computador. Estoy construyendo un pipeline que automatizará la identificación de la especie y la localización de los puntos anatómicos que hoy se marcan a mano, con un dataset real de unas 150 tortugas.

  • Python
  • PyTorch
  • scikit-learn
  • OpenCV
  • Segment Anything
  • YOLO
  • Morfometría geométrica
  • Licenciatura en ADEUniversidad de Valencia · 2014
  • Análisis de datos con Excel y Power BIDataboosters Academy · 2025
  • Introducción a la IABigschool · 2025
Idiomas
  • EspañolNativo
  • InglésB2
  • ItalianoIntermedio

Competencias

Datos y negocio

  • SQL
  • SAP Business One · HANA
  • Power BI · DAX
  • Power Query
  • Excel
  • pandas
  • PySpark
  • Modelado de datos

Desarrollo

  • Python
  • JavaScript · TypeScript
  • Next.js · React
  • Laravel
  • Kotlin · Compose
  • Node.js
  • Git
  • Docker

IA aplicada

  • Claude Code
  • Sistemas multiagente
  • MCP
  • OAuth 2.1 · PKCE
  • Gemini (Firebase AI Logic)
  • Evaluación de LLM

Machine learning

  • scikit-learn
  • imbalanced-learn
  • Random Forest
  • Gradient Boosting
  • Stacking
  • PyTorch
  • OpenCV
  • Evaluación de modelos

Contacto

Emailjsebastiansoriano@gmail.com
LinkedInlinkedin.com/in/jorge-sebastian-soriano
Abrir
CVPDF de una página · español o inglés
ESEN

Transcripción del vídeo

El vídeo no tiene voz: música y estos textos en pantalla.

  1. 01 · Buscador de catálogo. Una caja de texto que responde lo que antes exigía buscar en catálogos, hojas y fichas. Problema: El cliente describe el producto a su manera: con erratas, un código incompleto o la medida de su hueco. Cómo: Índice invertido, distancia de edición para las erratas y BM25 con sinónimos del sector. Sin LLM. Resultado: La variante exacta con precio y stock, el recambio o el despiece, y dice qué ha entendido.
  2. 02 · Revisión de pedidos. Detecta errores en pedidos, comisiones y abonos y explica por qué hay que revisarlos. Problema: Pedidos duplicados, portes mal cobrados o comisiones sin ajustar se detectaban tarde y a mano. Cómo: SQL sobre SAP Business One, refresco dos veces al día y 13 reglas explícitas con sus excepciones. Resultado: Una cola de trabajo con el motivo y el importe de cada aviso, validada por el equipo.
  3. 03 · Calidad de servicio logística. Convierte las expediciones del ERP en indicadores de incidencias que se pueden comparar. Problema: Cinco informes sueltos que no decían si un motivo de incidencia empeoraba de verdad. Cómo: SAP HANA y exports de agencias; % sobre expediciones y cada fila frente a su propia media. Resultado: Alertas legibles por motivo, agencia y responsable; en gris lo que tiene poco dato.
  4. 04 · Círculo · MCP seguro. Pone límites en el servidor a lo que un asistente de IA puede hacer con datos financieros. Problema: Un modelo que se equivoca, o que lee texto malicioso, no debe poder borrar datos ni cambiar importes. Cómo: Servidor MCP con un catálogo cerrado de 19 herramientas y validación estricta antes de tocar datos. Resultado: La llamada peligrosa se rechaza; los cambios piden vista previa, confirmación y se pueden deshacer.
  5. 05 · IA para Humanos. Diez agentes preparan cada día una newsletter de IA. Problema: Seguir la actualidad de IA exige leer, verificar y resumir decenas de fuentes cada día. Cómo: Python, un orquestador determinista propio y conmutación automática entre tres motores. Resultado: 60 ediciones generadas desde julio de 2026, con 392 tests y una evaluación aparte de la calidad del texto.
  6. 06 · ARX. Registra cada serie con su RIR y propone la carga de la siguiente sesión. Problema: Una libreta o una app genérica no te dicen si hoy toca subir peso. Cómo: App nativa Android con Kotlin, Jetpack Compose y Room; funciona sin conexión. Resultado: Récords en directo y +1,25 / +2,5 kg cuando el RIR lo permite. 14 usuarios activos.
  7. 07 · LifeOS. Consolida datos de Garmin y ARX sin duplicados y pone la semana al día. Problema: Gastos, entrenamiento, salud y estudios repartidos en apps que no se hablan. Cómo: Importación TCX con vista previa y detección de duplicados; sincronización idempotente con ARX. Resultado: KPIs semanales actualizados: km, minutos y carga de entrenamiento (duración × RPE).
  8. 08 · Triaje de ofertas. Evalúa ofertas contra un perfil editable y explica cada decisión. Problema: Anuncios con el dato clave escondido en el texto o contradiciéndose. Cómo: 12 fuentes públicas, 6 factores ponderados y 5 comprobaciones. Reglas, no un modelo. Resultado: Recomendada, condicionada o descartada, siempre con su motivo. No envía candidaturas.
  9. Cierre. Jorge Sebastián Soriano · Datos, automatización e IA aplicada · Máster en Ciencia de Datos (UOC).