AI PRODUKTLABORATORIUM · PLATFORM ENGINEERING

Jeg omsætter modeller til fungerende systemer.

CTO hos Of Them All og stifter af Illuma. Jeg bygger AI-workflows, nichemodeller og platformsinfrastruktur til domæner, hvor dømmekraft, latens og tillid er afgørende.

Nuværende projekt
AI-lyd + juridiske workflows
Driftsbase
Porto, Portugal
Bevisgrundlag
Betalinger, markedspladser, ML-platforme
Miguel Enes
Miguel Enes
Agent-workflows
Automatisering af produktionsarbejde med modelstyrede systemer.
Juridisk AI
Opbygning af Illuma til bevisførelse, briefinger og sagsanalyse.
Platformskerne
Arkitektur til trafik, betalinger, teams og drift.
Systembeviser
17+
Engineering-dybde

år med at omdanne tvetydighed til produktionssystemer

6
International skala

markeder i Asien og Europa med forskellige driftsbegrænsninger

100+
Team-vægtstangseffekt

ingeniører ansat, coachet eller mentoreret på tværs af distribuerede teams

30 sekunder
Automationsbevis

AI-assisteret workflow for lydmix, ned fra en 15-minutters manuel proces

DRIFTSTESIS

Nyttig AI er ikke en funktion. Det er et produktionssystem med beviser, workflow og ansvarlighed omkring det.

Jeg byggede betalings- og markedspladsinfrastruktur, da oppetid, svindel, compliance og millioner af daglige transaktioner var selve produktet. Den operationelle muskel former nu, hvordan jeg bygger AI-systemer.

Mønsteret er konsekvent: find ekspertflaskehalsen, modeller beslutningsvejen, forbind datalaget, og styrk derefter workflowet, indtil et team kan stole på det i produktion.

HVOR JEG SKABER VÆGTSTANGSEFFEKT
AI-workflow
Agenter, informationshentning, gennemgangsportaler og målbar outputkvalitet.
Platformskerne
Betalinger, køer, observerbarhed og systemer, der tåler trafik.
Teamsystem
Ansættelse, mentorship, leveringskadence og teknisk beslutningshygiejne.
Venture-fortælling
Produktarkitektur, som investorer, operatører og ingeniører kan tro på.
LAB CAPABILITIES

Practical AI, wired into the systems that make it useful.

The work is not just prompting a model. It is designing the data path, product loop, delivery system, and operating cadence around it.

From demo agent to production workflow

Agentic workflow design

I turn repetitive expert work into supervised AI workflows: tool calling, review gates, retrieval, and measurable human-in-the-loop throughput.

Legal, media, and operations data

RAG and model adaptation

Domain corpora, embeddings, retrieval strategy, prompt contracts, evaluation loops, and targeted fine-tuning when the base model is not enough.

Scale before heroics

Platform architecture

Architecture for systems that must keep moving: payments, marketplaces, automation backplanes, queues, observability, and deployment paths.

Teams that ship without chaos

Engineering operating system

Hiring, coaching, SDLC, delivery cadence, incident habits, and the technical narrative needed when teams and products need to mature fast.

OPBYGNINGSMETODE

Fra modelmulighed til operationel vane.

Jeg foretrækker korte loops, synlig risiko og fungerende systemer frem for lange spekulative køreplaner.

01

Kortlæg flaskehalsen

Identificer, hvor ekspertbedømmelse, latens eller gentagne beslutninger begrænser væksten.

02

Prototyp loopet

Byg den mindste model + data + interface-sti, der kan bevise nyttigt arbejde.

03

Robustgør systemet

Tilføj informationshentning, evaluering, tilladelser, observerbarhed og menneskelig gennemgang, hvor risikoen kræver det.

04

Etabler vanen

Gør workflowet til teamadfærd med metrics, ejerskab og iterationskadence.

SYSTEM STACK

AI systems are layered products.

The useful work happens where models, data, product logic, and operational discipline meet.

Model layer

LLMs, Gemini, prompt contracts, evaluation sets, fine-tuning, agent behavior, and task decomposition.

  • LLMs
  • Agent workflows
  • Fine-tuning
  • Prompt engineering
  • Model evaluation

Knowledge layer

The retrieval and memory plane that keeps AI grounded in product, legal, media, or operational context.

  • RAG pipelines
  • Embeddings
  • Vector search
  • PostgreSQL
  • Meilisearch

Application layer

The product systems where AI meets users, permissions, payments, workflows, and business-critical state.

  • Laravel
  • TypeScript
  • Cloudflare Workers
  • Microservices
  • Payment systems

Operations layer

The delivery environment: CI/CD, containers, observability, incident loops, and teams that own production.

  • Docker
  • Kubernetes
  • AWS
  • Linux
  • GitHub Actions
ERFARINGSOVERSIGT

Karrierebevis på tværs af markedspladser, betalinger, ML-platforme og teams.

Udvid hver række for beviser, højdepunkter og teknologier fra rollen.

ANBEFALINGER

Folk, der har set operativsystemet tæt på.

Operator proof1/12
Miguel Garcia

Having worked 10 years ago and again hiring Miguel to work closely with me for the past 4 years tells a lot about how much trust and respect I have for him. Miguel Enes has a very entrepreneurial mindset that always sets him to find solutions and to move organisations forward. He does that relying on his profound and complete tech knowledge and on-hands experience, leading by example/execution and supporting his team along the way. I highly recommend him as an autonomous, energiser, tech-savvy and delivery oriented Engineering Manager.

Miguel Garcia·General Manager & VP of Technology, New Work SE
Managed Miguel directly
+4
ÅBNE TRÅDE

Kontakt mig, når prototypen skal blive til et system.

Nyttige samtaler: Opbygning af AI-workflows, legal tech-systemer, markedsplads-/platformarkitektur, engineering-ledelse og teknisk strategi for venture-teams.