ЛАБОРАТОРИЯ ПРОДУКТОВ ИИ · ПРОЕКТИРОВАНИЕ ПЛАТФОРМ

Я превращаю модели в работающие системы.

Технический директор (CTO) в Of Them All и основатель Illuma. Я создаю рабочие процессы ИИ, нишевые модели и платформенную инфраструктуру для областей, где важны точность суждений, низкая задержка и доверие.

Текущий проект
Аудио ИИ + юридические рабочие процессы
Операционная база
Порту, Португалия
Область экспертизы
Платежи, маркетплейсы, платформы машинного обучения
Мигель Энес
Мигель Энес
Рабочие процессы агентов
Автоматизация производственных задач с помощью систем, управляемых моделями.
Юридический ИИ
Создание Illuma для работы с доказательствами, судебными сводками и анализом дел.
Ядра платформы
Архитектура для обработки трафика, платежей, управления командами и операциями.
Доказательства эффективности систем
17+
Глубина инженерной экспертизы

лет превращения неопределенности в производственные системы

6
Международный масштаб

рынков в Азии и Европе с различными операционными ограничениями

100+
Эффективность команды

инженеров нанято, обучено или менторировано в распределенных командах

30 с.
Доказательство автоматизации

рабочий процесс аудиомикширования с ИИ, сокращенный с 15 минут ручной работы

ОСНОВНОЙ ПРИНЦИП

Полезный ИИ — это не функция. Это производственная система с доказательствами, рабочим процессом и ответственностью.

Я создавал инфраструктуру платежей и маркетплейсов, когда безотказность, защита от мошенничества, соответствие нормам и миллионы ежедневных транзакций были самим продуктом. Этот операционный опыт теперь формирует мой подход к созданию систем ИИ.

Шаблон постоянен: найти экспертное узкое место, смоделировать путь принятия решений, подключить слой данных, а затем усилить рабочий процесс, пока команда не сможет доверять ему в продакшене.

МОИ ТОЧКИ ПРИЛОЖЕНИЯ УСИЛИЙ
Рабочий процесс ИИ
Агенты, поиск информации, контрольные точки проверки и измеримое качество вывода.
Ядро платформы
Платежи, очереди, наблюдаемость и системы, устойчивые к высоким нагрузкам.
Система команды
Найм, наставничество, ритм поставок и гигиена технических решений.
Венчурная история
Архитектура продукта, в которую могут верить инвесторы, операторы и инженеры.
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.

МЕТОД РАЗРАБОТКИ

От потенциала модели к операционной привычке.

Я предпочитаю короткие циклы, видимые риски и работающие системы долгим спекулятивным дорожным картам.

01

Определить узкое место

Выявить, где экспертное суждение, задержки или повторяющиеся решения сдерживают рост.

02

Прототипировать цикл

Создать минимальный путь из модели, данных и интерфейса, способный подтвердить полезность работы.

03

Укрепить систему

Добавить поиск информации, оценку, разрешения, наблюдаемость и человеческую проверку там, где этого требует риск.

04

Внедрить привычку

Превратить рабочий процесс в поведение команды с помощью метрик, ответственности и частоты итераций.

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
ЖУРНАЛ ОПЫТА

Доказательства карьеры в маркетплейсах, платежах, ML-платформах и командах.

Разверните каждую строку, чтобы увидеть доказательства, ключевые достижения и технологии, используемые на данной должности.

РЕКОМЕНДАЦИИ

Люди, которые видели операционную систему вблизи.

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
ОТКРЫТЫЕ ТЕМЫ

Пригласите меня, когда прототип нужно превратить в систему.

Полезные обсуждения: разработка рабочих процессов ИИ, юридические технологические системы, архитектура маркетплейсов/платформ, инженерное лидерство и техническая стратегия для венчурных команд.