--- title: "Noel Barral — Senior AI Solutions & Automation Engineer" subtitle: "Datos de la página inicial" author: "Noel Barral" language: "es" source: "https://noelbarral.com/" generated: "2026-10-13" --- # Noel Barral **Senior AI Solutions & Automation Engineer** *Disponible para roles sénior de IA y automatización (remoto)* Arquitectura de sistemas de IA aplicada, pipelines deterministas de automatización e infraestructura resiliente de producción. Más de 20 años integrando la ingeniería de sistemas con la resolución de cuellos de botella de negocio. | Métrica | Valor | |---|---| | Ingeniería de sistemas e infraestructura | 20+ años | | Servidores Linux dedicados en producción | 11+ años | | Arquitecturas desplegadas, descritas abajo | 4 | **Stack técnico:** Python · TypeScript · n8n · Supabase · PostgreSQL / pgvector · Qdrant · Docker · Linux Debian · Nginx · Git · Tailscale · Cloudflare · Redis · Firecrawl · Zammad · Mistral OCR · Gemini Vision · DeepSeek · JEV (TypeSafe) --- ## Tres pilares, una sola pila *Engineering Pillars* No colecciono tecnologías: diseño sistemas donde el modelo, el flujo y el servidor que los sostiene se piensan juntos. ### 01 · Applied AI & Knowledge Retrieval - Diseño e implantación de arquitecturas **RAG** (Retrieval-Augmented Generation) de grado productivo. - Desacoplamiento de bases de conocimiento en capas (estática, contextual, dinámica) y bases vectoriales (**pgvector**, **Qdrant**). - Integración de flujos de supervisión humana en bucle (**Human-in-the-Loop**) para mitigación de alucinaciones y evolución continua del contexto. ### 02 · Process Automation & Data Pipelines - Orquestación de flujos de misión crítica con **n8n**, scripts en **Python** y consumo/exposición de APIs RESTful. - Pipelines de extracción masiva de datos (web scraping distribuido), normalización métrica y estructuración JSON/XML. - Automatización orientada a eventos (event-driven) mediante webhooks asíncronos y colas de mensajes. ### 03 · Platform Infrastructure & DevSecOps - Administración y bastionado (**hardening**) de entornos dedicados Linux (Debian/Ubuntu) acumulada durante más de una década. - Despliegue de arquitecturas contenerizadas sobre **Docker** e interconexión segura punto a punto mediante malla **Tailscale**. - Protección perimetral con **Cloudflare** (WAF, DNS, DDoS) y observabilidad/auditoría continua con **Wazuh SIEM** y **Grafana**. --- ## Arquitecturas en producción *Case Studies* Cuatro sistemas que están funcionando ahora mismo. No son ejercicios: cada uno resolvió un cuello de botella medible. ### Caso 01 · Sistema RAG & triaje operativo multicanal *Plataforma operativa de soporte y resolución de incidencias en mensajería low cost, con atención escrita y telefónica.* **El problema** Saturación de canales de soporte por consultas repetitivas de seguimiento, cotización y gestión de incidencias logísticas con alta variabilidad contextual, tanto por escrito como por teléfono. **La solución técnica** - Despliegue de mesa de ayuda sobre **Zammad** conectada bidireccionalmente mediante webhooks a un motor de orquestación en **n8n**, con **Supabase** (PostgreSQL) como almacén operativo de casos, conversaciones y estado del triaje. - Arquitectura RAG híbrida: búsqueda densa en bases vectoriales combinada con reglas heurísticas de triaje directo. - Extracción de texto y datos desde imágenes, albaranes y facturas mediante flujos de visión: **Mistral OCR** para documentos y **Gemini** para comprensión visual, de modo que el triaje dispone del contenido aunque el cliente solo envíe una foto. - Atención de voz: sistema que vigila los buzones telefónicos, transcribe los mensajes, los clasifica con el mismo motor de triaje y responde de forma automática cuando el caso no exige un operador humano. - Protocolo Human-in-the-Loop: los casos con score de confianza inferior al umbral son enrutados a operadores humanos con borradores pregenerados, retroalimentando la base vectorial con cada validación. **Flujo:** Canales (texto · voz · foto) → Zammad API → n8n → OCR / Visión (Mistral · Gemini) → RAG híbrido (pgvector + reglas) → Human-in-the-Loop → Respuesta **Stack:** n8n · Supabase · Zammad API · pgvector · Mistral OCR · Gemini Vision · Docker · Python ### Caso 02 · Ingesta inversa de catálogos & generación visual de reformas *Automatización de presupuestos técnicos para CID Construcciones.* **El problema** Dispersión y heterogeneidad de catálogos técnicos de proveedores de construcción, cotas no estandarizadas y lentitud en la generación de presupuestos visuales para clientes. **La solución técnica** - Desarrollo de pipelines de extracción sistemática mediante scraping para captura masiva de imágenes, cotas y fichas técnicas. - Normalización métrica e ingesta de metadatos en esquemas de base de datos relacionales. - Conexión con modelos generativos de visión para proyectar modificaciones sobre planos y generar presupuestos técnicos automatizados. **Flujo:** Catálogos → Scraping (Playwright / BS4) → Normalización métrica → PostgreSQL → Visión (modelos generativos) → Presupuesto **Stack:** Python · BeautifulSoup / Playwright · Next.js · REST APIs · Computer Vision ### Caso 03 · Ingesta unificada de leads & filtrado heurístico de spam *Infraestructura de captación para Mudanzas Go.* **El problema** Fragmentación de solicitudes provenientes de múltiples landings independientes y saturación operativa por leads basura o spam automatizado. **La solución técnica** - Centralización de webhooks asíncronos en n8n. - Capa intermedia de filtrado determinista anti-spam y validación de entidades (teléfono, código postal, volumen de carga). - Integración con base de conocimiento corporativa para disparar respuestas operativas asistidas y sincronización en tiempo real con CRM. **Flujo:** Landings → Webhooks n8n → Filtro anti-spam (determinista) → Validación de entidades → CRM + respuesta **Stack:** n8n · Cloudflare Workers/WAF · Webhooks · OpenAI API ### Caso 04 · Ontología industrial B2B & grafo de compatibilidades Stealth mode *Plataforma SaaS industrial en fase de desarrollo.* **El problema** Extrema fragmentación en códigos de repuestos OEM frente a marcas alternativas (aftermarket), provocando errores de compra y catálogos desconectados. **La solución técnica** - Diseño de un modelo ontológico y base de datos relacional/vectorial optimizada para mapear referencias cruzadas. - Pipeline de ingesta masiva con resolución semántica de equivalencias entre fabricantes. - Motor de búsqueda semántica tolerante a errores tipográficos y jerga técnica del taller. **Flujo:** OEM ↔ aftermarket → Ingesta masiva → Resolución semántica → Qdrant / pgvector → Buscador tolerante **Stack:** FastAPI / Python · PostgreSQL · Qdrant · Docker · Tailscale --- ## De la máquina física a los sistemas de IA *The Trajectory* La ingeniería de soluciones moderna no se sostiene en un vacío de librerías en la nube. Mi trayectoria técnica comenzó hace más de dos décadas en Estados Unidos montando redes LAN y configurando servidores Windows NT y Mac en **Montachusett Regional Vocational Technical School** (Monty Tech). Esa base física se consolidó trabajando directamente en la infraestructura crítica y conmutación de datos en los Data Centers de **ONO** y **Orange**, y administrando durante más de 11 años servidores dedicados Linux en producción bajo **DoctorSEO**. Cuando diseño una solución con LLMs o automatizo un flujo con n8n, no solo entiendo la llamada a la API: comprendo la memoria del contenedor, el túnel cifrado de red, la seguridad del puerto y la viabilidad del modelo de negocio. 1. **Monty Tech · IT Shop** — 2002 — 2003 Redes LAN, Windows NT y Mac. La base física de todo lo que vino después. 2. **ONO / Orange** — Data Centers Infraestructura crítica y conmutación de datos en sala. 3. **DoctorSEO · Linux en producción** — 11+ años Administración de servidores dedicados, bastionado y continuidad de servicio. 4. **IA aplicada y automatización** — Actualidad Arquitecturas RAG, orquestación con n8n y plataformas contenerizadas en producción. --- ## Fuera del teclado *Bonus* Esquí, motociclismo, fotografía, ciclismo, Magic: The Gathering y seguridad ofensiva: lo que explico en seis fotos. [Ver mis aficiones](https://noelbarral.com/bonus/) --- ## Hablemos de sistemas *Contact* Abierto a contratos remotos y posiciones sénior de ingeniería (España / UE). - **Email:** mail@noelbarral.com - **LinkedIn:** linkedin.com/in/noel-barral (https://linkedin.com/in/noel-barral) - **Currículum:** CV técnico (PDF) (/cv-noel-barral.pdf) --- © 2026 Noel Barral · 13 de octubre de 2026