Data Scientist · hacia ML Engineering & MLOps

Agustín Formenti

Analizo datos y construyo sistemas end-to-end de Machine Learning e IA — de la idea a producción.

Always building. Always learning.

Quién soy

Sobre mí

Data Scientist con base en ingeniería y una matemática sólida, sumando experiencia real en industria. Combino análisis de datos, estadística aplicada, construcción de modelos y automatización de procesos para resolver problemas reales — con dirección clara hacia ML Engineering y MLOps.

Formación con base de ingeniería — la misma rigurosidad, hoy aplicada a datos y modelos.

Python
SQL
Machine Learning
scikit-learn
XGBoost
PyTorch
pandas
R
Docker
SAP
Power BI
n8n
Git
TypeScript
React
PostgreSQL

Trayectoria

Experiencia

2026 — Presente

Data Analytics & Auditoría Interna (Pasantía) · ArcelorMittal Acindar

Análisis de datos, auditoría interna y automatización de procesos en un entorno industrial de gran escala, dentro del equipo de Global Assurance.

Diseño y desarrollo end-to-end de un sistema web interno de documentación (Working Papers de Data Analytics) para el equipo de Global Assurance — Flask, SQLAlchemy, Bootstrap 5, SQLite; flujo de aprobación multi-rol, exportación a PDF/Excel, gestión de usuarios y backup automático.
Automatización con Python e IA generativa: extracción de texto desde imágenes con carga automática a Excel, reduciendo el procesamiento manual.
Análisis de stock aging de producto terminado con Python y Power BI, e identificación de ineficiencias en planificación de producción.
Extracción y gestión de datos vía SAP; desarrollo de reportes automatizados para seguimiento de KPIs operativos.

Python
SQL
Power BI
SAP
Flask
Generative AI
SOX / Internal Audit

2024 — Presente

Licenciatura en Ciencia de Datos · UCA Rosario

En curso, promedio 8.13/10. Formación en Ciencia de Datos, Machine Learning y estadística — base para una carrera en ML Engineering y MLOps.

Trabajo

Proyectos

PatagonIA

Predicción de riesgo de incendios en la Patagonia argentina con ML: web scraping → feature engineering → modelos de clasificación. Pipeline end-to-end en Python.

Python
scikit-learn
Web Scraping
ML

Ver en GitHub→

Detección de Cáncer de Mama

Modelo de clasificación binaria de tumores comparando Regresión Logística, Random Forest y Decision Tree con GridSearchCV. Mejor resultado: Regresión Logística con ROC AUC 99.7%, accuracy 95.6% y F1-score 93.8%.

Python
scikit-learn
GridSearchCV
Clasificación

Ver en GitHub→

GlorIA

En progreso

Predictor de fútbol optimizado para Expected Value (EV): simulaciones de Monte Carlo + ensemble stacking (XGBoost + red neuronal). Sirve para cualquier torneo o liga.

Python
XGBoost
PyTorch
Monte Carlo

Ver en GitHub→

FundaData

Plataforma de métricas automatizadas para centros de cuidado de adultos mayores, infancias y centros de día. Consolida métricas institucionales con flujos automáticos.