Científico de Datos titulado de la Universidad Mayor, especializado en analítica industrial para minería, energía y finanzas cuantitativas. Construyo soluciones end-to-end — ETL, modelos predictivos y causales, motores de optimización, APIs en producción — con el mismo estándar con el que se evalúa código de producción, no un notebook de portafolio: reproducibilidad, tests automatizados, prevención de fuga de datos y resultados honestos, incluidos los negativos.

Cada repo corre completo con un solo comando (python -m src.pipeline o equivalente), reporta los números de esa corrida — no de una versión anterior — y documenta en el propio README los bugs reales que aparecieron en el camino.

Analítica industrial aplicada a operaciones mineras y energéticas de alta escala.

• Optimización Geometalúrgica en Flotación (Cu/Mo): Ensamble XGBoost+CatBoost sin fuga temporal, dos motores de optimización (Algoritmo Genético + scipy.optimize) validados cruzados entre sí [Mejora de recuperación +2.4%].
• Impacto Causal en Flota Minera: Estimación del impacto causal real de mantenimiento predictivo mediante Doubly Robust Learners (DRLearner) y Causal Forest, con análisis de sensibilidad de tendencias paralelas para el estimador de diferencias-en-diferencias [Reducción de downtime estimado ~14%; 41 tests].
• Gemelo Digital SAG (Eficiencia Energética): Kalman Filter para soft-sensing de dureza de mineral + modelos de supervivencia (CoxPH) para estimación de RUL y optimización prescriptiva de setpoints [Ahorro de energía en molienda ~8.5%].
• Data Warehouse Analítico de Minería: Arquitectura dbt + DuckDB (staging → marts, 83 tests de calidad) unificando flotación, mantenimiento CAEX y seguridad [Latencia de consulta <50ms].
• Mantenimiento Predictivo y RUL: Redes neuronales multitarea en PyTorch y análisis de supervivencia (CoxPH) para predicción de Vida Útil Restante de flota CAEX [MAE < 12 hrs en predicción RUL; 47 tests].
• Calidad de Tronadura/Ley (.NET): Pipeline ML.NET en C# comparando SDCA vs. FastTree para predecir calidad de ley post-tronadura [R² = 0.860 SDCA vs. 0.833 FastTree].
• Pronóstico de Red Eléctrica (Costo Marginal): Comparación baseline/ensamble/MLP PyTorch (loss Huber) con activación Swish ganadora sobre LightGBM y XGBoost [WAPE = 5.42% MLP vs. 6.26% LightGBM vs. 7.06% XGBoost].
• Pronóstico de Red Eléctrica en R: Variante en R del pronóstico de costo marginal, comparando cuatro enfoques estadísticos (ARIMA/SARIMAX/TBATS/ETS/GARCH) con validación cruzada rolling.
• Detección de Anomalías en Procurement Minero: Z-score + Isolation Forest + Autoencoder PyTorch para detectar compras y proveedores anómalos en la cadena de suministro minera.
• RAG de Seguridad Minera Chile: Sistema de recuperación aumentada híbrida (BM25 + embeddings densos) con reranker cross-encoder sobre normativa chilena de seguridad minera.
• Optimización Espacial de Logística: Optimización de rutas (VRP) alimentada por un módulo de predicción de demanda comparando Ridge/RF/MLP como insumo del ruteo.

• Laboratorio de Detección de Fraude & AML: Cuatro técnicas en un repo, cada una en su carpeta con pipeline propio — pipeline multi-lenguaje sobre 568k transacciones reales (LogReg+SMOTE, CatBoost, XGBoost, MLP PyTorch con Focal Loss, validación adversaria de splits, calibración de umbral por matriz de costo, export a ONNX), scoring de fraude e-commerce en tiempo real, AML no supervisado sobre grafos temporales (NetworkX) con explicabilidad SHAP en vivo, y Autoencoder/VAE/Deep SVDD frente a XGBoost supervisado [Reducción de costo = 44.7% vs. umbral 0.5; latencia p99 < 15ms].
• Laboratorio de Scoring de Riesgo Crediticio: Ocho técnicas, cada una con pipeline de un comando y su propia suite de tests (194 tests en las técnicas 03-08) — scorecard políglota R+Python+C, interoperabilidad bidireccional R↔Python (reticulate/rpy2), Cox PH implementado desde cero (Breslow/Efron, Newton-Raphson amortiguado, test PH de Schoenfeld) para estructura temporal de PD bajo IFRS 9, muestreo de Gibbs jerárquico sobre aumentación Pólya-Gamma, restricciones monotónicas auditadas por contrafactuales + decisión conformal de Mondrian, binning óptimo resuelto por programación dinámica exacta, auditoría de sesgo en préstamo justo (reconstruir género desde las propias features del modelo, AUC 0.768), y DP-SGD con contador RDP desde cero validado por ataque de membresía [AUC test = 0.733 scorecard R vs. 0.715 MLP].
• Motor de Fraude Políglota: Arquitectura híbrida de baja latencia — C para el hot-path de scoring vía feature store en memoria mapeada, Ruby como motor de reglas, Python para la inferencia ML — con cada capa perfilada por separado (Prometheus/Grafana) para identificar el cuello de botella real [Feature store ~568k req/s; capa Ruby ~12-14k req/s; 60 tests en C+RSpec+pytest].
• Riesgo Sistémico Fintech Chile (Políglota): Arquitectura de 6 lenguajes sobre el mercado financiero chileno — ETL Python+DuckDB con indicadores reales del Banco Central, PD con XGBoost+SHAP, LSTM PyTorch, econometría en R (cointegración/Granger/GARCH), clustering en Julia, motor Monte Carlo C++/OpenMP para VaR, y microservicio Go sirviendo las predicciones ya calculadas [1M trayectorias Monte Carlo en 14.4ms; hallazgo honesto: el LSTM (51.2%) no supera el baseline de clase mayoritaria (53.6%)].
• Detección de Fraude Bancario (PaySim): Isolation Forest/LOF vs. baseline MAD-z vs. Autoencoder PyTorch sobre transacciones simuladas PaySim.

• Laboratorio Quant Cripto: Ocho técnicas cuantitativas sobre datos reales de Binance, cada una en su carpeta — clasificación de dirección con deep learning (Dense NN y Conv1D-Attention), impacto de precio y liquidez (Ridge/XGBoost/MLP Huber), pares cointegrados con Engle-Granger y hedge ratio dinámico por Filtro de Kalman, optimización de portafolio media-varianza, detección de régimen por clustering, screening de sentimiento con FinBERT vs. TF-IDF, detección de spoofing en libro de órdenes, y framework de backtesting con persistencia en DuckDB [Sharpe Ratio = 1.84 backtested en el par cointegrado].
• Costo de Cambiarse de Fondo de Pensiones: Cuánto cuesta realmente cambiarse de fondo en pánico durante una caída, medido sobre datos diarios reales de la Superintendencia de Pensiones (2002-2026, ~278k filas).
• Pricing de Opciones Monte Carlo en C++: Motor Monte Carlo multi-hilo en C++20 (OpenMP) usando el modelo de reversión a la media de Schwartz (1997) para valoración de opciones asiáticas sobre cobre [1M trayectorias en <250ms].
• Leyendo la Turbulencia del Mercado: Forecasting de volatilidad realizada sobre 24.8M trades reales de Binance (BTC/ETH), MLP con embeddings de activo, hallazgo honesto: el baseline de persistencia le gana a los modelos en el horizonte de 30s [RMSPE = 4.58 baseline].
• Pronosticador de Volatilidad del Cobre: Forecasting de volatilidad realizada del cobre con MLP PyTorch (Huber + RMSPE) sobre baseline estadístico.
• Desequilibrio de Order Book de Litio (C++): Motor C++ de bajo overhead para desequilibrio de libro de órdenes [95/95 tests pasando].
• Motor de Anomalías en Ticks de Mercado (C++): Detección de anomalías en ticks con EWMA-zscore, CUSUM y ensamble [Throughput ~7.26M ticks/seg].

• Laboratorio de Experimentación Fintech (A/B Testing): Toolkit de diseño y análisis de experimentos — cálculo de tamaño de muestra, detección de Sample Ratio Mismatch, reducción de varianza con CUPED, corrección BH-FDR entre métricas de guardrail, chequeo de efecto de novedad — validado con un arnés de calibración Monte Carlo que mide si cada regla de detención controla de verdad la tasa de error que promete [Hallazgo honesto: el peeking diario ingenuo infla el falso-positivo de 5% nominal a 24.2%, y una regla de detención bayesiana asumida "segura" casi no mejora (20.5%); 29 tests, ninguno mockeado].
• Limpieza_Datos: Toolkit + 4 Dominios Reales: Toolkit reusable de limpieza y modelamiento (src/toolkit/, 18 módulos) probado sin cambios contra 4 bases de datos públicas reales e independientes — finanzas (Banco Central de Chile), minería del cobre (COCHILCO), agricultura (Banco Mundial), y un Excel de 80MB del Banco Mundial transformado en un data warehouse real (DuckDB). Cada modelo entrena un mínimo de 100 épocas reales, 190 tests (148 unitarios + smoke tests reales por dominio, ninguno mockeado), y tres bugs reales encontrados y corregidos en el camino: un dato corrupto en la fuente detectado por un detector de saltos de nivel por mediana móvil, y dos colapsos dying ReLU distintos (R² de hasta -8746 antes del fix). El propio toolkit audita los cuatro dominios: drift.target_shift reproduce el R² negativo del baseline hasta la cuarta decimal en dos de ellos, y keys/leakage verifican integridad referencial y fuga de datos con evidencia determinística, no con umbrales arbitrarios.
• Laboratorio de Clasificación Científica: Dos problemas de clasificación en ciencias físicas — eventos de colisión ATLAS/CERN (818k eventos, imputación con causa física por multiplicidad de jets, CatBoost/LightGBM/PyTorch optimizados para la métrica AMS del challenge original) y tránsitos de exoplanetas Kepler (9.564 objetos vía la API pública del NASA Exoplanet Archive, XGBoost+SHAP vs. ablación PyTorch ReLU/GELU/Swish) [AMS = 3.58 honesto vs. 3.8-3.9 del leaderboard histórico; Accuracy = 79.3% XGBoost vs. 49.8% baseline en Kepler].
• Laboratorio de Predicción de Falla desde Señal: Tres dominios de predicción de tiempo hasta falla desde señal continua — RUL multitarea de flota minera, vibración real de rodamientos (NASA/IMS, 3 bancos run-to-failure, FFT + features espectrales, GroupKFold leave-one-experiment-out) y señal acústica sísmica (LANL) [MAE = 21.6% de vida restante en rodamientos, tras corregir un bug real de escala temporal].

• Agente de Operaciones Mineras (Tool-Calling): Agente con el SDK de OpenAI que despacha herramientas Python reales (consultas a warehouse DuckDB, scoring de riesgo, detección de anomalías) en vez de responder desde texto libre, con gráficos de evaluación reales (ROC/PR, scores de anomalía) generados a partir de las mismas tools [43/43 tests, incl. dispatch con cliente OpenAI mockeado].

• Eficiencia de YOLOv8 en Edge AI (Tesis): Rediseño del head de YOLOv8 con Depthwise Separable Convolutions, entrenado desde cero sobre COCO2017 y medido en GPU, CPU y Raspberry Pi 4 bajo el mismo protocolo — 68% menos parámetros (3.99M → 1.26M) y ~10x más rápido en Raspberry Pi [0.68 vs. 0.07 FPS y 1.48s vs. 13.93s por imagen en RPi 4; costo honesto: mAP50 0.175 vs. 0.212].
• Plataforma MLOps de Churn: Predicción de churn con LightGBM + MLflow, calibración de umbral por costo/LTV en vez de por AUC a secas, API de inferencia FastAPI y simulador de ROI en Streamlit, validado en un holdout nunca visto durante entrenamiento ni optimización de umbral [Contactar a todos: +US$42,717 · umbral óptimo del modelo: +US$75,847 contactando solo 78.6% — casi el doble de retorno, con menos gente contactada].

• Ubicación: Santiago, Chile
• LinkedIn: linkedin.com/in/pablo-reyes-pino
• Email: preyesp09@gmail.com

Data Scientist graduated from Universidad Mayor, specialized in industrial analytics for mining, energy, and quantitative finance. I build end-to-end solutions — ETL, predictive and causal models, optimization engines, production APIs — held to the standard used to evaluate production code, not a portfolio notebook: reproducibility, automated tests, leakage prevention, and honestly reported results, negative ones included.

Every repo runs end to end from a single command (python -m src.pipeline or equivalent), reports the numbers from that run — not from an earlier one — and documents the real bugs found along the way in the README itself.

My core specialization — industrial analytics applied to real Chilean mining and energy operations.

• Geometallurgical Flotation Optimization (Cu/Mo): Leak-free XGBoost+CatBoost ensemble, two optimization engines (Genetic Algorithm + scipy.optimize) cross-validated against each other [+2.4% recovery].
• Mining Fleet Causal Impact: Real causal impact — not just correlation — of a predictive-maintenance program: Doubly Robust Learners, Causal Forest, and a dedicated sensitivity analysis for the difference-in-differences estimator's parallel-trends assumption [~14% estimated downtime reduction; 41 tests].
• SAG Digital Twin (Energy Efficiency): Kalman Filter for ore-hardness soft-sensing + survival analysis (CoxPH) for RUL estimation and prescriptive setpoint optimization [~8.5% grinding energy savings].
• Mining Analytics Data Warehouse: dbt + DuckDB architecture (staging → marts, 83 data-quality tests), unifying flotation, CAEX maintenance, and safety data [<50ms query latency].
• Predictive Maintenance & RUL: Multi-task PyTorch neural networks and survival analysis (CoxPH) for haul-truck Remaining Useful Life [MAE < 12 hrs on RUL prediction; 47 tests].
• Blast/Grade Quality (.NET): ML.NET pipeline in C# comparing SDCA vs. FastTree to predict post-blast ore grade quality [R² = 0.860 SDCA vs. 0.833 FastTree].
• Power Grid Forecasting (Marginal Cost): Baseline/ensemble/PyTorch MLP comparison (Huber loss) with Swish winning over LightGBM and XGBoost [WAPE = 5.42% MLP vs. 6.26% LightGBM vs. 7.06% XGBoost].
• Power Grid Forecasting in R: R variant of the marginal-cost forecast, comparing four statistical approaches (ARIMA/SARIMAX/TBATS/ETS/GARCH) with rolling cross-validation.
• Mining Procurement Anomaly Engine: Z-score + Isolation Forest + PyTorch Autoencoder to flag anomalous purchases and suppliers in the mining supply chain.
• Chile Mining Safety RAG: Hybrid retrieval (BM25 + dense embeddings) with a cross-encoder reranker over Chilean mining safety regulations.
• Spatial Logistics Optimization: Vehicle routing optimization (VRP) fed by a demand-forecasting module comparing Ridge/RF/MLP as routing input.

• Fraud & AML Detection Lab: Four techniques in one repo, each in its own folder with its own pipeline — a multi-language pipeline over 568k real transactions (LogReg+SMOTE, CatBoost, XGBoost, PyTorch MLP with Focal Loss, adversarial split validation, cost-matrix threshold calibration, ONNX export), real-time e-commerce fraud scoring, unsupervised AML over temporal graphs (NetworkX) with live SHAP explainability, and Autoencoder/VAE/Deep SVDD against supervised XGBoost [44.7% cost reduction vs. a 0.5 threshold; p99 latency < 15ms].
• Credit Risk Scoring Lab: Eight techniques, each with a one-command pipeline and its own test suite (194 tests across techniques 03-08) — polyglot R+Python+C scorecard, bidirectional R↔Python interop (reticulate/rpy2), Cox PH implemented from scratch (Breslow/Efron, damped Newton-Raphson, Schoenfeld PH test) for an IFRS 9 PD term structure, hierarchical Bayesian Gibbs sampling on Pólya-Gamma augmentation, monotonic constraints audited by counterfactual perturbation + Mondrian conformal decisioning, optimal binning solved by exact dynamic programming, a fair-lending bias audit (gender reconstructed from the model's own features at AUC 0.768), and DP-SGD with a from-scratch RDP accountant validated by a membership-inference attack [Test AUC = 0.733 R scorecard vs. 0.715 MLP].
• Polyglot Fraud Engine: Low-latency hybrid architecture — C for the scoring hot-path via a memory-mapped feature store, Ruby as the rules engine, Python for ML inference — with each layer profiled independently (Prometheus/Grafana) to find the real bottleneck [Feature store ~568k req/s; Ruby rules layer ~12-14k req/s; 60 tests across C+RSpec+pytest].
• Chile Fintech Systemic Risk (Polyglot): 6-language architecture over the Chilean financial market — Python+DuckDB ETL on real Central Bank indicators, XGBoost+SHAP PD model, PyTorch LSTM, R econometrics (cointegration/Granger/GARCH), Julia clustering, a C++/OpenMP Monte Carlo VaR engine, and a Go microservice serving the precomputed predictions [1M Monte Carlo paths in 14.4ms; honest finding: the LSTM (51.2%) doesn't beat the majority-class baseline (53.6%)].
• Bank Fraud Detection (PaySim): Isolation Forest/LOF vs. MAD-z baseline vs. PyTorch Autoencoder over simulated PaySim transactions.

• Crypto Quant Techniques Lab: Eight quantitative techniques over real Binance data, each in its own folder — direction classification with deep learning (Dense NN and Conv1D-Attention), liquidity and price impact (Ridge/XGBoost/Huber MLP), cointegrated pairs with Engle-Granger and a Kalman-filtered dynamic hedge ratio, mean-variance portfolio optimization, regime detection by clustering, sentiment screening with FinBERT vs. TF-IDF, order-book spoofing detection, and a backtesting framework persisting to DuckDB [Sharpe Ratio = 1.84 backtested on the cointegrated pair].
• Pension Fund Switching Cost: What panic-switching pension funds during a drawdown actually costs, measured on real daily data from Chile's Superintendencia de Pensiones (2002-2026, ~278k rows).
• Monte Carlo Options Pricing in C++: Multi-threaded Monte Carlo engine in C++20 (OpenMP), Schwartz (1997) mean-reverting model for copper Asian options [1M paths in <250ms].
• Reading Market Turbulence: Realized volatility forecasting on 24.8M real Binance trades (BTC/ETH), MLP with symbol embeddings, honest finding: the persistence baseline beats the models at a 30s horizon [RMSPE = 4.58 baseline].
• Copper Volatility Forecaster: Realized copper volatility forecasting with a PyTorch MLP (Huber + RMSPE) against a statistical baseline.
• Lithium Order Book Imbalance (C++): Low-overhead C++ engine for order book imbalance [95/95 tests passing].
• Market Tick Anomaly Engine (C++): Tick-level anomaly detection with EWMA-zscore, CUSUM, and ensemble [~7.26M ticks/sec throughput].

• Fintech Experimentation Lab (A/B Testing): An experiment design-and-analysis toolkit — sample-size calculation, Sample Ratio Mismatch detection, CUPED variance reduction, BH-FDR correction across guardrail metrics, a novelty-effect check — validated with a Monte Carlo calibration harness that measures whether each stopping rule actually controls the error rate it claims to [Honest finding: naive daily peeking inflates the false-positive rate from a nominal 5% to 24.2%, and a Bayesian stopping rule assumed "safe" barely helps (20.5%); 29 tests, none mocked].
• Limpieza_Datos: Toolkit + 4 Real Domains: A reusable cleaning-and-modeling toolkit (src/toolkit/, 18 modules) proven unchanged against 4 real, independent public datasets — Chilean finance (Banco Central de Chile), copper mining (COCHILCO), agriculture (World Bank), and an 80MB World Bank Excel turned into a real DuckDB warehouse. Every model trains a minimum of 100 real epochs, 190 tests (148 unit tests plus real per-domain smoke tests, none mocked), and three real bugs found and fixed along the way: a corrupted source value caught by a rolling-median level-jump detector, and two distinct "dying ReLU" collapses (R² as low as -8746 before the fix). The toolkit audits all four domains on its own: drift.target_shift reproduces the baseline's negative R² to four decimal places in two of them, and keys/leakage verify referential integrity and data leakage on deterministic evidence, not arbitrary thresholds.
• Scientific Classification Lab: Two classification problems from the physical sciences — ATLAS/CERN collision events (818k events, physically-caused missing-value imputation by jet multiplicity, CatBoost/LightGBM/PyTorch optimized for the challenge's own AMS metric) and Kepler exoplanet transits (9,564 objects via NASA's public Exoplanet Archive API, XGBoost+SHAP vs. a PyTorch ReLU/GELU/Swish ablation) [AMS = 3.58 honest vs. 3.8-3.9 on the historical leaderboard; 79.3% accuracy XGBoost vs. 49.8% baseline on Kepler].
• Failure Prediction from Signal Lab: Three domains of time-to-failure prediction from continuous signal — multi-task mining-fleet RUL, real bearing vibration (NASA/IMS, 3 run-to-failure rigs, FFT + spectral features, leave-one-experiment-out GroupKFold), and acoustic seismic signal (LANL) [MAE = 21.6% of remaining life on bearings, after fixing a real time-scale bug].

• Mining Ops Tool-Calling Agent: OpenAI SDK agent that dispatches real Python tools (DuckDB warehouse queries, credit-risk scoring, anomaly detection) instead of answering from free text, with real evaluation plots (ROC/PR, anomaly scores) generated from those same tools [43/43 tests, incl. tool dispatch with a mocked OpenAI client].

• YOLOv8 Edge AI Efficiency Benchmark (Thesis): Redesigned the YOLOv8 Head with Depthwise Separable Convolutions, trained from scratch on COCO2017 and benchmarked on GPU, CPU and Raspberry Pi 4 under one protocol — 68% fewer parameters (3.99M → 1.26M) and ~10x faster on Raspberry Pi [0.68 vs. 0.07 FPS and 1.48s vs. 13.93s per image on the RPi 4; honest cost: mAP50 0.175 vs. 0.212].
• Customer Churn MLOps Platform: Churn prediction with LightGBM + MLflow, cost/LTV-weighted threshold calibration instead of a bare AUC cutoff, FastAPI inference, and a Streamlit ROI simulator — evaluated on a holdout never seen during training or threshold optimization [Contact everyone: +$42,717 · model's optimal threshold: +$75,847 while contacting only 78.6% — nearly double the return, to fewer people].

• Location: Santiago, Chile
• LinkedIn: linkedin.com/in/pablo-reyes-pino
• Email: preyesp09@gmail.com