Miguel Murga Guevara

Ingeniero en Electrónica y Telecomunicaciones

Desarrollador Full Stack entusiasta especializado en Nuxt 3, Vue 3 y Python. Ingeniero en Electrónica y Telecomunicaciones con pasión por la Industria 4.0. Aprendizaje rápido y liderazgo efectivo, con experiencia en servicio al cliente y educación.

Habilidades Técnicas y Tecnologías

AI & Deep Learning

PyTorchHuggingFace TransformersLLM Fine-tuning (concept)Hardware Acceleration (Nvidia CUDA/cuDNN)

Arquitecturas RAG

Hybrid Search (Semantic + Keyword)Maximal Marginal Relevance (MMR)ChromaDB (Vector DB Local)MongoDB Atlas Vector Search

NLP & Datos

Semantic Chunking (NLTK)Cross-EncodersCohere RerankJina Embeddings v3

Full Stack IA

FastAPILangGraph (Agentic Workflows)Google Vertex AIPrivate AI Infrastructure (Sovereignty)

Soluciones Cloud Agnósticas (Infraestructura Propia vs Servicios de 3ros)

Sistemas optimizados para Hardware de Grado de Servidor (CUDA)

Estudio de evolución: Neuronas artificiales → Atención y Auto-atención

Arquitectura del Sistema

Representación del front-end desarrollado íntegramente con el framework full-stack Nuxt 3

Analizando estructura neural...

Mapa Raíz

Páginas

Componentes

Pinia Stores

Composables

Otros

Investigaciones y Publicaciones

ETHPACiberseguridad

Análisis profundo sobre la aplicación de técnicas de hacking ético y mitigación de vulnerabilidades en entornos virtualizados.

LEER INVESTIGACIÓN DESCARGAR PDF

GenAIModelos LLM

Particularidades de los Modelos de Lenguaje Grandes: De la Neurona Artificial al Mecanismo de Atención en Transformers.

VER VERSIÓN WEB DESCARGAR PDF

RAG HíbridoArquitectura

Optimización de la Recuperación de Información Técnica: Análisis de una Arquitectura RAG Híbrida basada en Jina AI, Cohere y DeepSeek

VER EVIDENCIA TÉCNICA

AI Research & Development Lab

Ecosistema RAG Híbrido y Agentes de IA (MongoDB Atlas)

Desarrollo de un sistema de 'Retrieval-Augmented Generation' de grado industrial capaz de razonar sobre documentos técnicos complejos.

Hito Técnico

Implementación de un pipeline de Búsqueda Híbrida que combina la precisión de palabras clave con el significado semántico profundo.

Usa Jina Embeddings v3 para vectorizar texto con alta fidelidad.
Implementa un Advanced Reranker (Cohere) para filtrar las mejores respuestas.
Manejo inteligente de fragmentos (Smart Chunking) usando NLTK.

Stack

Python 3.11, MongoDB Atlas, Django, DeepSeek/OpenAI

Laboratorio de Búsqueda Semántica Local (Privacy-First)

Motor de búsqueda semántica 100% offline diseñado para el procesamiento soberano de documentos privados, eliminando la dependencia de APIs externas.

Hito Técnico

Configuración de ChromaDB como base de datos vectorial local con latencia mínima y control total del flujo de datos.

Análisis y vectorización del paper 'Attention is All You Need'.
Privacidad absoluta: los datos nunca abandonan la infraestructura controlada.
Procesamiento local optimizado para consultas técnicas sobre arquitectura de Transformadores.

Stack

Python 3.12, ChromaDB, PyTorch, HuggingFace

Ver Repositorio

Oracle 23ai & OCI Infrastructure

Implementación de búsqueda vectorial avanzada utilizando Oracle 23ai y gestión de infraestructura en OCI Free Tier.

Hito Técnico

Despliegue de Oracle 23ai en VMs de OCI optimizadas para alto rendimiento en tareas de IA.

Búsqueda semántica integrada directamente en el motor de base de datos.
Automatización de infraestructura en la nube (OCI Free Tier).
Pipeline de datos vectoriales escalable para entornos empresariales.

Stack

Oracle 23ai, OCI, Python, SQL/JSON

Ver Repositorios

Oracle23ai Semantic Search OCI Free Tier VM Setup

IoT & Embedded Systems Lab

MicroPython Serial Interface

Interfaz de comunicación serial de alto rendimiento para dispositivos MicroPython.

Hito Técnico

Desarrollo de un protocolo de comunicación eficiente entre sistemas embebidos y aplicaciones de escritorio.

Sincronización de datos en tiempo real vía Serial.
Compatibilidad con ESP32, ESP8266 y microcontroladores similares.
Arquitectura modular para fácil integración en proyectos de automatización.

Stack

MicroPython, Python, Serial Protocol

Ver Repositorio

Evidencia de Rigor Académico: RAG Híbrido

Paper Técnico2026-03-18ID Sistema: django-portfolio-chat-prod

Optimización de la Recuperación de Información Técnica: Análisis de una Arquitectura RAG Híbrida basada en Jina AI, Cohere y DeepSeek

Laboratorio de Ingeniería de Software - Miguel Murga Guevara

#Jina Embeddings v3 #Cohere Rerank #MongoDB Atlas Vector Search #DeepSeek LLM #Maximal Marginal Relevance (MMR)

Especificación Técnica de la Arquitectura

Capa de Embeddings

Jina AI (jina-embeddings-v3)

Utilizado para proyectar consultas y documentos en un espacio vectorial común, optimizado para la recuperación semántica bilingüe.

Tarea: text-matching | Norma: true

Almacén Vectorial

MongoDB Atlas

Búsqueda: $vectorSearch (vector_index_cosine)

Respaldo: In-memory Cosine Similarity (NumPy based)

Capa de Re-ranking

Cohere rerank-multilingual-v3.0

Ajuste dinámico del umbral (min_score * 0.8) para términos de seguridad (hacking, vulnerabilidad, etc.) para capturar contexto técnico crítico.

Umbrales: Def 0.35 | Seg 0.28

Capa de Generación

deepseek-chat

Fidelidad estricta al contexto
Citación de fuentes obligatoria
Manejo de insuficiencia de información

Temp: 0.4 | Max: 2000

Metodología Aplicada

Maximal Marginal Relevance (MMR) con lambda=0.7 para garantizar que los top-k resultados no sean redundantes entre sí.

1. Codificación de Consulta (Jina API)

2. Recuperación de Candidatos (MongoDB Vector Search)

3. Filtrado MMR (Reducción de redundancia)

4. Re-ranking Semántico (Cohere API)

5. Generación Aumentada por Contexto (DeepSeek API)

Evidencia Empírica (Logs)

[LOG-RAG-20260318-001] RAGAgent.search_documents

2026-03-18T16:45:00Z

QUERY: Explica el mecanismo de atención escalada

DOMAIN: ia_generativa

RERANK: El nodo 'node_3.3.2_scaled_dot_product' subió de posición 3 a 1 tras el reranking (score: 0.985)

TOKENS: 1240 in / 315 out | 2450ms

[LOG-SEC-20260318-002] RAGAgent.answer_question

2026-03-18T17:12:30Z

QUERY: ¿Cómo se usó sqlmap en el reporte de ETHPA?

DOMAIN: ciberseguridad

SECURITY: Umbral de reranking reducido a 0.28 por detección de términos 'sqlmap'

KEY NODE: listing3_sqlmap_cookie

La respuesta integró datos del nodo 'ethpa_sqlmap' citando el listing 3 del documento original.

Conclusión Académica

La arquitectura implementada demuestra una robustez superior al integrar re-ranking multilingüe y diversificación MMR. El ajuste dinámico de umbrales para el dominio de ciberseguridad permite una recuperación de alta precisión en casos de 'long-tail' técnico que los sistemas RAG genéricos suelen ignorar. La sinergia entre Jina v3 (embeddings) y DeepSeek (razonamiento) posiciona a este sistema como una solución de grado de producción altamente confiable.