Marco Antonio Bocanegra

Automatización · IA aplicada

Marco Antonio
Bocanegra

Conecto procesos, datos e inteligencia artificial.

Estudio Ingeniería de Sistemas en la Universidad de Lima. Construyo herramientas que conectan APIs, inteligencia artificial y datos para simplificar tareas que se repiten.

Explorar proyectos Conversemos

Lima, PerúEstudiante de Ingeniería de Sistemas

Retrato de Marco Antonio Bocanegra

01 / Sobre mí

Me interesa lo que
la tecnología hace posible.

Me interesa entender cómo funciona un proceso y encontrar una forma más simple de hacerlo. Esa curiosidad me lleva a conectar herramientas, trabajar con datos y explorar la inteligencia artificial aplicada.

En mis proyectos me ocupo del recorrido completo: desde la primera integración hasta las pruebas y la documentación. Aquí comparto lo que construyo, cómo funciona y lo que todavía puede mejorar.

Automatización, IA y datos. De la idea a la implementación.

02 / Proyectos

Ideas en funcionamiento.

Dos proyectos personales, con código abierto, documentación y evidencia de cómo están construidos.

01 — Automatización e inteligencia artificial

Proyecto individual

SmartDesk AI

Una mesa de ayuda donde la IA clasifica y las reglas de negocio deciden.

Un flujo con n8n, OpenAI y PostgreSQL que valida solicitudes, clasifica su contenido y aplica reglas independientes del modelo.

Ver repositorio (abre en otra pestaña)Ver en YouTube (abre en otra pestaña)
  • n8n
  • OpenAI API
  • PostgreSQL
  • Webhooks
  • Docker Compose
  • Oracle Cloud
  • GitHub Actions
  • Power BI
Arquitectura documentada de SmartDesk AI: entrada HTTPS, persistencia en PostgreSQL, clasificación con OpenAI, reglas, revisión humana y seguimiento.
Arquitectura del proyecto · diagrama del repositorio

El problema

Recibir solicitudes de soporte, organizarlas y darles seguimiento sin perder el rastro de cada decisión.

La decisión de diseño

La solicitud se guarda antes de consultar la IA. Las reglas deciden la notificación y el seguimiento; los fallos quedan registrados para poder revisarlos.

Construido para poder comprobarlo.

Consultar validación (abre en otra pestaña)
Pruebas automatizadas en CI
35/35
Solicitudes de ingreso validadas
30/30
Reglas de negocio verificadas
19/19

Baterías controladas del proyecto. También documenta 27/27 chequeos de integridad y 6 escenarios de aceptación; estos conteos no representan tráfico de usuarios.

Ejecución real sobre dato sintético · V1

Una solicitud, un resultado trazable.

Caso E2E-03 · ejecución 171

Respuesta de ingreso
HTTP 201
Clasificación registrada
software / low
Evento de automatización
skipped
Envíos a Telegram
0
Ver registro de aceptación (abre en otra pestaña)

Ver el proyecto en acción.

Demo de SmartDesk AI3 min 40 s · demostración documentadaReproducir carga el video desde YouTube. (abre en otra pestaña)

Datos sintéticos y material preparado para mostrar el proyecto.

Capturas del sistema4 evidencias
Captura del workflow n8n: validación de entrada y persistencia antes de clasificar.
Flujo en n8nRecepción, validación y persistencia de la solicitud.
Entrada sintética y salida JSON de un caso del benchmark de SmartDesk AI.
Respuesta estructurada de la IACaso SD-EVAL-TEST-083 del benchmark; distinto del E2E-03.
Ejecución de GitHub Actions finalizada con estado Success.
Validación en GitHub ActionsCaptura de una ejecución de CI del repositorio.
Relaciones entre tickets, predicciones, eventos y revisiones humanas en Power BI.
Modelo de datos en Power BIModelo relacional; no es un tablero de resultados empresariales.
Evaluación de la IA y sus límites120 casos sintéticos

Medir también muestra qué falta mejorar.

Evaluación congelada del 20 de septiembre de 2026, sobre 120 casos sintéticos etiquetados.

Categoría correcta
89,17 %
Prioridad correcta
76,67 %
Ambas correctas
67,50 %

La revisión humana está implementada, pero su umbral no detectó los errores de esta evaluación: hubo 0/120 revisiones y 39/120 errores que pasaron sin revisión. La confianza del modelo no es una probabilidad calibrada. Estas cifras no acreditan precisión en producción ni ahorro empresarial.

Leer evaluación y limitaciones (abre en otra pestaña)
Cómo está construidoArquitectura y documentación

Clasificación y decisiones por separado.

OpenAI devuelve una categoría, prioridad y resumen con Structured Outputs y JSON Schema. Las reglas independientes gestionan revisión humana y seguimiento de plazos (SLA); su capacidad funcional no demuestra una mejora de precisión.

El despliegue usa Docker Compose en Oracle Cloud, con HTTPS, respaldos y CI/CD en GitHub Actions. PostgreSQL conserva los estados y alimenta la capa analítica en Power BI.

README (abre en otra pestaña)Arquitectura (abre en otra pestaña)Versión v1.1.0 (abre en otra pestaña)
Explorar las etapas paso a pasoRecorrido ilustrativo
Esquema del flujo
  1. Solicitud
  2. Clasificación
  3. Reglas
  4. Seguimiento

De la solicitud al seguimiento.
Un proceso conectado, paso a paso.

02 — Automatización de un flujo académico

Proyecto individual

Zoom2TXT

De una clase grabada a un TXT organizado para volver a estudiar.

Una aplicación de escritorio que encuentra grabaciones, descarga el MP4, lo sube a YouTube y organiza el texto obtenido de sus subtítulos.

Ver repositorio (abre en otra pestaña)Cómo probarlo (abre en otra pestaña)
  • Python 3.12
  • PySide6
  • YouTube Data API
  • OAuth 2.0
  • SQLite
  • GitHub Actions
Zoom2TXT en la pantalla de clases, con tres grabaciones ficticias seleccionables.
Una interfaz para organizar el procesoAplicación real en modo demo · todos los datos de la captura son ficticios.

Resultado observado en mi propio flujo

Menos pasos manuales.
Más espacio para estudiar.

Antes10–20 minCon Zoom2TXT1–3 min

Intervención activa por clase, sin contar las esperas de descarga, subida y subtítulos. Medición personal, no un estudio controlado.

Ver metodología (abre en otra pestaña)

El problema

Preparar una transcripción implicaba ir de una plataforma a otra, repetir pasos y comprobar el avance a mano.

La solución

De unas 15–18 acciones manuales a buscar, revisar y confirmar. La aplicación conserva los trabajos en SQLite para continuarlos tras una interrupción.

148 pruebas automatizadasCI en Windows y UbuntuGitleaks y pip-audit
Un recorrido por la aplicaciónProceso y biblioteca
Zoom2TXT muestra el progreso de la descarga, subida y generación de subtítulos con datos ficticios.
Procesamiento por etapasModo demo: estados simulados dentro de la aplicación real.
Biblioteca de Zoom2TXT con tres transcripciones de ejemplo y organización por curso.
Biblioteca de transcripcionesDatos ficticios para mostrar la organización de los TXT.
Tecnología y demo reproducibleSin credenciales

Una aplicación de escritorio en Python y PySide6.

Conecta Blackboard, Zoom y YouTube Data API. Usa OAuth 2.0 por usuario y el keyring del sistema para las credenciales. El código publicado es una versión anonimizada del flujo que utilizo; no expone grabaciones académicas privadas.

El modo demo permite recorrer la aplicación con datos ficticios y sin conexiones externas. Tras instalar las dependencias del repositorio:

python main.py --demo
Instrucciones de instalación (abre en otra pestaña)Pruebas en GitHub Actions (abre en otra pestaña)
Explorar las etapas paso a pasoRecorrido ilustrativo
Esquema del flujo
  1. Grabación
  2. YouTube
  3. Subtítulos
  4. TXT

De una clase grabada
a un texto que puedes consultar.

03 / Formación y vida personal

También soy
lo que aprendo y practico.

En curso

Ingeniería de Sistemas

Universidad de Lima

Desde marzo de 2024

Halterofilia

El entrenamiento también forma parte de mi día a día.

04 / Contacto

Conversemos.

Si compartes mi interés por la tecnología, tienes una idea o quieres conocer más sobre mis proyectos, podemos conversar.

Encontrarme en LinkedIn (abre en otra pestaña)Explorar mi GitHub (abre en otra pestaña)