Metria AI
Business intelligence conversacional: los ejecutivos preguntan por sus métricas en lenguaje natural y reciben la respuesta en segundos, en la web o por WhatsApp.
Contexto
Metria se conecta al ERP, el CRM, las bases de datos y los Excel de una empresa para que sus líderes pregunten cosas como “¿cómo vinieron las ventas este mes?” y reciban una respuesta directa, sin esperar un reporte. Entré como primer ingeniero y construí el producto con un equipo que creció de 2 a 5.
El problema
Las respuestas tenían que ser rápidas y basarse en los datos de cada cliente, que llegaban como Excel, PDF y bases de datos en vivo. Además los clientes querían proyecciones, no solo historia, y no querían que sus números sensibles llegaran a un modelo externo.
Arquitectura
Seguí el flujo a medida que scrolleás. Cada paso muestra qué hace.
- Datos del clienteArchivos y fuentes en vivo desde ERPs, CRMs y bases de datos.
- Cola de ingestaLas subidas se procesan de forma asíncrona y la app nunca se bloquea.
- ChunkingLos documentos se dividen en fragmentos pensados para la búsqueda.
- Base vectorialEmbeddings en PostgreSQL y los fragmentos más usados en memoria.
- AgenteElige herramientas: búsqueda, SQL y proyecciones con Prophet sobre datos enmascarados.
- RespuestaEl usuario recibe la respuesta en el dashboard o por WhatsApp.
AWS · SQS · CloudWatch · Sentry — todo en Terraform
resource "aws_sqs_queue" "ingest" {
name = "metria-ingest"
}
resource "aws_db_instance" "main" {
engine = "postgres" # + pgvector
}
resource "aws_cloudwatch_log_group" "api" {
name = "/metria/api"
}Lo que hice
- Fui responsable de la arquitectura, el desarrollo y el deploy en AWS de las features principales.
- Optimicé el pipeline RAG en producción sobre Excel y PDF y bajé el procesamiento de ~80 s a ~34 s con chunking y caché en memoria.
- Desarrollé agentes con tool calling en LangGraph para responder preguntas de negocio sobre los datos de cada cliente.
- Construí el módulo de proyecciones con Prophet, enmascarando los datos sensibles antes de que llegaran al LLM.
- Integré WhatsApp como canal para consultar las métricas desde el celular.
- Migré entre SQLite, PostgreSQL, AWS LightSail y bases vectoriales para bajar costos y mejorar la performance.
- Definí la infraestructura en Terraform, con CI/CD en GitHub Actions, colas en SQS y monitoreo con CloudWatch y Sentry.
Decisiones clave
Caché en memoria, pgvector como fuente de verdad
pgvector vive junto a los datos de negocio en PostgreSQL, así que hay una sola base que operar. ChromaDB en memoria sirve los fragmentos más usados, y junto con un mejor chunking bajó el procesamiento de 80 s a 34 s.
Enmascarar antes de que lo vea el modelo
Las proyecciones se calculan con Prophet sobre los números reales, pero el LLM solo recibe valores enmascarados para explicarlas. El cliente obtiene respuestas útiles sin mandar datos sensibles a un tercero.
Infraestructura como código desde el inicio
Con un equipo chico, Terraform hizo que cada entorno fuera reproducible y que cada cambio de infraestructura se revisara en un PR, lo que también simplificó sumar ingenieros nuevos.
Resultados
- −57%de tiempo de procesamiento RAG (80 s → 34 s)
- 5clientes empresariales en 2 países
- 2 → 5ingenieros, 2 onboardeados por mí