Clean Architecture | Daniel Arbelaez Alvarez

FocusCoach - Coaching con IA y Metodologia DISC

Thu, 02 Apr 2026 00:00:00 +0000

FocusCoach es una plataforma de coaching personalizado basada en inteligencia artificial y la metodologia de perfiles de personalidad DISC, disenada para ayudar a emprendedores (especialmente perfiles alta-I) a prevenir el abandono de proyectos.

Caracteristicas Principales

Coaching Adaptativo: Sesiones personalizadas segun el perfil DISC del usuario
Framework FOCUS-SPRINT: Metodologia propia para gestion de proyectos por sprints
Parking Lot: Sistema de gestion de ideas para evitar distracciones
Gamificacion DISC: Sistema de recompensas adaptado al perfil de personalidad
Aprendizaje Activo: La IA aprende de las interacciones para mejorar las recomendaciones
OCR de Documentos: Procesamiento de documentos con Mistral AI OCR

Tecnologias Utilizadas

Backend: Python 3.12, FastAPI 0.115, Pydantic v2
Frontend: Streamlit 1.41
IA: OpenAI Assistants API, LangChain
Base de Datos: SQLite + FTS5 (WAL mode)
Arquitectura: Clean Architecture (5 capas), DI, Railway-Oriented Programming (returns)
Calidad: pytest + hypothesis, ruff, mypy –strict
Despliegue: Docker (2-stage build)

Arquitectura

Implementacion de Clean Architecture con 5 capas y patrones avanzados:

Strategy Pattern para adaptar coaching segun perfil DISC
Dependency Injection para desacoplamiento de servicios
Railway-Oriented Programming (Result[T, E]) para manejo de errores
28 notebooks experimentales validando 8 MVPs antes de implementacion

Logros Alcanzados

46 tests pasando con type checking estricto (mypy –strict)
8 MVPs validados en notebooks antes de migracion a produccion
5 capas arquitectonicas implementadas con DI completo

Impacto

FocusCoach aborda un problema comun en emprendedores: el abandono de proyectos por falta de enfoque y estructura. Al personalizar el coaching segun la personalidad DISC, la plataforma ofrece estrategias que resuenan con el estilo cognitivo de cada usuario.

Este proyecto combina conocimientos de psicologia organizacional (metodologia DISC), ingenieria de software (Clean Architecture) e inteligencia artificial (LLMs + RAG) para crear una herramienta innovadora de productividad personal.

SIRAL - Sistema de Registro de Acoso Laboral

Thu, 15 Jan 2026 00:00:00 +0000

SIRAL es una plataforma integral para la gestion de quejas de acoso laboral en la Rama Judicial de Colombia, desarrollada en cumplimiento de la Ley 1010/2006, Ley 1581/2012 (Habeas Data), Resolucion 3461/2025 y la Ley de Archivo General.

Caracteristicas Principales

Radicacion de Quejas: Flujo de registro en 4 pasos con identificacion obligatoria de partes involucradas
Control de Acceso por Roles (RBAC): 5 roles diferenciados (Superadmin, Admin CCL, Miembro CCL, Funcionario, Publico)
Flujo de Resolucion: Gestion de estados con plazo de 6 meses segun Resolucion 3461/2025
Cadena de Custodia: Hash SHA-256 inmutable para evidencia digital
Notificaciones Digitales: Comunicacion automatizada al presunto acosador (Ley 2213/2022)
Actas de Comite: Registro y gestion de actas del Comite de Convivencia Laboral
Estadisticas Anonimizadas: Reportes publicos sin datos personales
Retencion Documental: Conservacion de 20 anos conforme a la Ley de Archivo General

Tecnologias Utilizadas

Backend: Python 3.12+, FastAPI, Pydantic v2, SQLAlchemy 2.0 (async)
Base de Datos: PostgreSQL 16
Frontend: Streamlit (10 paginas + sidebar + timeline + graficos)
Seguridad: JWT (python-jose, 15 min expiracion), bcrypt, RBAC, OWASP Top 10
Infraestructura: Docker Swarm, EasyPanel, Traefik (HTTPS), GHCR
CI/CD: GitHub Actions (6 jobs: lint + test + build + deploy)
Calidad: pytest, ruff, mypy, bandit

Arquitectura

Arquitectura por capas siguiendo Clean Architecture:

Core: Entidades de dominio, value objects, enums
Application: Casos de uso, DTOs (frozen dataclasses), puertos de servicio
Infrastructure: Persistencia, seguridad, notificaciones, almacenamiento
Interfaces: Rutas FastAPI (9 endpoints + Swagger), GUI Streamlit

Logros Alcanzados

283 tests pasando al 100% con quality gates completos (pytest + ruff + mypy + bandit)
99 archivos fuente Python en src/
6 casos de uso implementados (radicar, cambiar estado, consultar, listar, detalle, actas)
55 hallazgos de auditoria resueltos al 100% (5 agentes de revision)
10 documentos de planning (P00-P09) y 4 sprints completados
Seguridad: OWASP Top 10 remediado, CSP, HSTS, sanitizacion de paths

Impacto

Este sistema digitaliza completamente el proceso de gestion de acoso laboral en la Rama Judicial, garantizando el cumplimiento normativo, la trazabilidad de cada accion y la proteccion de datos personales de las partes involucradas.

SIRAL surge de la necesidad de formalizar y sistematizar el proceso de quejas de acoso laboral en el Centro de Servicios Judiciales de la Seccional Antioquia, reemplazando procesos manuales propensos a errores y demoras con una solucion tecnologica robusta y auditable.

Sherlock-docs - Procesamiento Inteligente de Documentos Judiciales

Mon, 01 Dec 2025 00:00:00 +0000

Sherlock-docs es un sistema de procesamiento inteligente de documentos judiciales (tutelas y habeas corpus) que combina OCR, reconocimiento de entidades nombradas (NER) y deteccion de duplicados. Todo el procesamiento es 100% local, sin envio de datos a APIs externas.

Caracteristicas Principales

OCR Hibrido: PaddleOCR + Tesseract para documentos escaneados y digitales
NER Legal: Extraccion de entidades con SpaCy, F1 score de 85.3% validado por humanos
Deteccion de Duplicados Multinivel: Hash SHA-256, LZJD fuzzy hash, TF-IDF, Sentence-Transformers
Busqueda Avanzada: SQLite FTS5 full-text search con filtrado avanzado
API REST Completa: 22 endpoints FastAPI con autenticacion JWT y documentacion Swagger
Interfaz Grafica: 9 paginas Streamlit para gestion interactiva de documentos
CLI: 20 comandos para operaciones por lotes
Aprendizaje Activo: Interfaz para validacion humana de entidades NER
Exportacion: Generacion de reportes en Excel

Tecnologias Utilizadas

Backend: Python 3.12.4, FastAPI, Pydantic
OCR: PaddleOCR + Tesseract
NLP/NER: SpaCy (modelo espanol legal)
Base de Datos: SQLite + FTS5 (33 columnas, 11 indices, WAL mode)
Frontend: Streamlit (9 paginas)
Arquitectura: Clean Architecture por capas, Result-Oriented Programming (returns)
Seguridad: JWT, RBAC, rate limiting, security headers
Despliegue: Docker, Easypanel, GitHub Webhook automatizado

Arquitectura

5 capas con ServiceContainer (14 propiedades lazy-loaded):

Core: Entidades, value objects
Application: Casos de uso, DTOs, ServiceContainer
Infrastructure: OCR, NER, deduplicacion, logging
Persistence: SQLite + FTS5 con puertos ISP
Interfaces: Streamlit GUI, CLI (20 comandos), FastAPI REST (22 endpoints)

Logros Alcanzados

1,832 tests (1,770 unitarios + 62 integracion) con 87% de cobertura
NER F1 85.3% con datos validados por operadores humanos
22 endpoints REST documentados y funcionales
16/16 SECs de seguridad + 4 SEC-API implementados
9 sprints completados (S23-S28) con 30 documentos de planning
mypy 0 errores en modo estricto sobre 130 archivos
Auditoria SDD certificada: 39 conformes, 0 defectos
Calidad de codigo: 9.1/10

Impacto

Sherlock-docs procesa ~100 documentos/dia con un objetivo de rendimiento de <2 minutos para documentos de 20 paginas y <100ms para documentos digitales, eliminando la clasificacion manual de documentos judiciales y detectando automaticamente documentos duplicados.

Este sistema nace de la necesidad de automatizar el registro y clasificacion de tutelas y habeas corpus en el sistema judicial colombiano, donde la deteccion de duplicados y la extraccion precisa de informacion de partes procesales son criticas para la eficiencia del despacho judicial.