Gabriel Lopez Romero

Backend Developer

Sobre mí

Soy estudiante de Ciencias de la Computación en la UNCUYO y desarrollador backend. Me interesa entender cómo funcionan los sistemas por detrás: la comunicación en red, la interacción con el sistema operativo y el aprovechamiento eficiente de los recursos. Trabajo principalmente con Python (FastAPI), estoy aprendiendo Go, y me desenvuelvo con comodidad en entornos Linux y Docker.


Además del desarrollo de software, participo en investigación académica en la facultad, donde desarrollo enfoques con Machine Learning y algoritmos evolutivos para optimización y autoscaling de recursos en la nube. En mi tiempo libre disfruto de estar al aire libre, escuchar y hacer música, los videojuegos y la lectura (mi libro favorito es La Hija del Capitán de Pushkin :)

Currículum Vitae

Descargar CV

Proyectos

pysync Project

pysync

Implementación de rsync en Python puro construida desde cero. Maneja streaming de datos binarios, hashing diferencial, conexiones SSH y manipulación de buffers para sincronización eficiente de archivos.

Python SSH Linux Bash Networking Hashing Binary Buffers & Streams
Código
f1-dataops Project

f1-dataops

Un pipeline de datos 100% serverless y orientado a eventos, desplegado en Google Cloud Platform para extraer datos de telemetría de la Fórmula 1. Cuenta con un pipeline de CI/CD con GitHub Actions.

Terraform GCP GitHub Actions (CI/CD) Serverless Python Docker OIDC & IAM
Código
En Desarrollo
Demix Project

Demix

Audio source separation: Un estudio comparativo de modelos U-Net vs. Vision Transformers.

Deep Learning Audio processing Research FastAPI Docker
Ver Demo Código
PicVault Project

PicVault

Un servicio de gestión y distribución de imágenes para fotógrafos de eventos. Permite a los asistentes encontrar y reclamar sus fotos al instante dentro de galerías masivas utilizando reconocimiento facial.

Computer Vision Deep Learning Image Processing Django & DRF React Docker PostgreSQL
Código

Investigación y Publicaciones

Póster - CARLA 2026

Neuroevolution for Generating High-Quality Autoscaling Policies on Scientific Workflows

Propuesta de un framework basado en Neuroevolución que evoluciona redes neuronales para generar Q-tables preoptimizadas en agentes de Aprendizaje por Refuerzo (RL) para el autoscaling de workflows científicos en la nube. Los resultados experimentales demuestran frentes de Pareto dominantes sobre algoritmos evolutivos convencionales, con incrementos de hipervolumen de 7x a más de 700x en la optimización de tiempo de ejecución (makespan) y costo monetario.

Cloud Autoscaling Neuroevolution Deep Learning Reinforcement Learning Distributed Systems FinOps
Póster (Próximamente)
Informe Técnico - AUGM JJI

Efficiency and Plasticity Metrics for Database Technology Evaluation

Investigación sobre la formulación y evaluación de métricas cuantitativas de eficiencia y plasticidad para la comparación formal de rendimiento y comportamiento de tecnologías de bases de datos.

Database Systems Graph Databases Benchmarking Performance Metrics Data Engineering
Google Scholar Conference Proceedings

Experiencia

Noviembre 2025 - Presente

Desarrollador Backend

Freelance

Desarrollo de servicios backend, automatización de tareas y procesamiento de datos. Utilizo Python (FastAPI y Django), bases de datos relacionales y no relacionales y entornos Docker, priorizando la modularidad, el rendimiento y la robustez del código.

Python FastAPI Django Docker PostgreSQL
Junio 2025 - Presente

Asistente de investigación

LABSIN UNCUYO

Investigo y diseño políticas de gestión de recursos basadas en IA para optimizar workflows científicos masivos. Mi trabajo se centra en la intersección entre la inteligencia artificial y la infraestructura cloud, utilizando redes neuronales y algoritmos genéticos para construir soluciones autónomas y altamente eficientes de cloud scaling.

Java Neural Networks Research
Diciembre 2020 - Presente

Servicio técnico

Freelance

Brindo soporte técnico práctico, diagnóstico de fallas de hardware y software, gestión de backups y mantenimiento de sistemas para asegurar el correcto funcionamiento de los equipos.

Hardware & Infrastructure Diagnostics Incident Resolution & RCA Disaster Recovery & Data Integrity

Educación

2022 - Presente

Licenciatura en Ciencias de la Computación

Universidad Nacional de Cuyo

Habilidades

Desarrollo Backend & Lenguajes

Python Python
Go Go
FastAPI FastAPI
Java Java
Bash Bash
Linux Linux

Bases de Datos & Mensajería

PostgreSQL PostgreSQL
MongoDB MongoDB
Redis Redis
AWS SQS AWS SQS

Infraestructura Cloud & DevOps

Docker Docker
Kubernetes Kubernetes
Terraform Terraform
GCP GCP
AWS AWS
GitHub Actions GitHub Actions
Ansible Ansible

Herramientas & Observabilidad

Git Git
Prometheus Prometheus
Grafana Grafana
Loki Loki
> ABSTRACT // CARLA 2026

Neuroevolution for Generating High-Quality Autoscaling Policies on Scientific Workflows

Scientific workflows are complex sequences of computational tasks designed to manage large-scale experiments and simulations. These workflows are typically executed in Cloud Computing environments, where achieving optimal performance depends on effective autoscaling strategies. Two prominent approaches for workflow autoscaling are Reinforcement Learning (RL) and Evolutionary Algorithms (EAs). Previous studies have combined these techniques by using EAs to optimize the initial policies and Q-tables of RL agents, enabling the agents to start from a pre-optimized behavior rather than learning entirely from scratch. Building on this idea, this work proposes a novel framework based on Neuroevolution. In this approach, neural networks are treated as individuals within a population and evolved through iterative cycles of fitness-driven variation in the parameter space. The evolved neural networks are then used to generate the initial Q-tables for the RL agents, providing a more effective initialization. Experimental results demonstrate that the proposed approach outperforms previous methods in two significant ways. First, considering both execution time (makespan) and monetary cost, the Neuroevolution-based approach produces Pareto fronts that dominate those obtained using conventional Evolutionary Algorithms. This improvement is reflected in hypervolume increases ranging from 7 times to more than 700 times across four benchmark scientific workflows. Second, the minimum makespan and cost values achieved through traditional Reinforcement Learning are located close to the Pareto fronts generated by the Neuroevolution approach, indicating that the proposed method effectively identifies high-quality trade-off solutions before the RL optimization process begins.