Currículum

Node.js · Atestación Ed25519 · Lean 4 · AgentDojo · Llama Guard 4 · Llama-3.3-70B · Paridad JS↔Python

Project Simurgh — Atestación de Contención Verificable para IA Agéntica (Creador · AGPL-3.0)

• Construí un marco independiente del proveedor que produce evidencia firmada con Ed25519 y reproducible sin conexión de lo que hizo un agente de IA tras un fallo de las barreras de seguridad, a través de cuatro límites de contención: firewall de entrada, guardia de procedencia del contexto, compuerta de invocación de herramientas y firewall de fuga de salida — bajo un modelo de amenaza adversario de productor deshonesto
• Contención de fallos de barreras: capturé un clasificador de entrada Llama Guard 4 (12B) real sobre un conjunto de ejecución de 180 casos y contuve 138/138 casos maliciosos que el clasificador no detectó (120 casos de inyección posterior que un clasificador solo de entrada estructuralmente no puede ver, 18 fallos de entrada directa); éxito de ataque combinado dirigido 0/150, con cero ejecuciones de herramientas ni exportaciones inseguras
• Contención de agente en vivo: dirigí un Llama-3.3-70B autoalojado a través de la suite de espacio de trabajo de AgentDojo (140 casos de inyección preregistrados); la compuerta de autoridad de herramientas redujo el éxito de ataque dirigido de 9/140 a 0/140 manteniendo la utilidad benigna
• Posicionado como la capa de defensa en profundidad complementaria al clasificador en línea de Anthropic — el clasificador gobierna lo que un modelo puede decir, la atestación gobierna lo que se permitió hacer a un agente (con las no-afirmaciones firmadas y explícitas, incluido que por sí misma no habría detectado la elusión de generación de contenido de junio de 2026)
• Ataqué mi propia prueba (barrido de red-team a través de ocho clases de ataque → detector-v2) y verifiqué formalmente la supervisión con cinco teoremas Lean verificados por máquina; reproducción sin conexión con un solo comando de una escalera de lanzamiento firmada de 12 peldaños; 3,057 pruebas automatizadas

C · Swift · Python · Win32 API · ScreenCaptureKit · WebRTC

Investigación de vulnerabilidades en formato IEEE: descubrí de forma independiente y divulgué responsablemente una clase de evasión de captura mediante API documentadas de Windows/macOS. Evasión del 100% en configuraciones de laboratorio probadas, sin artefactos visuales en más de 10,000 fotogramas analizados. No se probaron productos comerciales de supervisión ni Linux; macOS 26 usó herramientas nativas en lugar de getDisplayMedia() del navegador. Los hallazgos reflejan las versiones probadas hasta marzo de 2026. Divulgación coordinada con proveedores de sistemas operativos. DOI: 10.5281/zenodo.20376495.

React Native · Expo · Supabase · pgvector · Gemini · Embeddings de OpenAI · Tauri v2

Construí un compañero bíblico impulsado por IA y redacté Aion-BibleQA, un preprint de 8 páginas que introduce un banco de pruebas de 40 preguntas para la fidelidad de citas y la robustez ante premisas falsas — R@5 = 0.941, soporte medio de citas = 0.978, cero citas sin respaldo y 6 de 6 rechazos de premisas falsas. DOI: 10.5281/zenodo.20522874.

C++20 · CMake · Google Test

Diseñé un motor de emparejamiento de alto rendimiento que procesa más de 1M de órdenes por segundo con latencia submicrosegundo — implementando niveles de precio con árbol rojo-negro, un asignador de memoria personalizado y una suite de pruebas exhaustiva con benchmarks de latencia p50/p99.

C++17 · libpcap · CMake · Google Test · Linux

Construí un motor de procesamiento de paquetes de red en tiempo real que analiza más de 500K paquetes por segundo — disección de protocolos (Ethernet/IPv4/TCP/UDP/ICMP/DNS), motor de detección basado en firmas y análisis con estado (escaneos de puertos, inundaciones SYN).

Python/Litestar · React · PostgreSQL · Docker · Terraform

Lancé una plataforma de datos full-stack con motor de recomendaciones impulsado por IA, diseño de API basado en eventos, limitación de tasa y análisis de seguridad automatizado — propiedad de extremo a extremo desde el esquema de la base de datos hasta la infraestructura de despliegue.

Kotlin Multiplatform · Aprendizaje automático local · Android e iOS

Construí una herramienta de detección de amenazas sin conexión y multiplataforma con clasificación basada en ML local — presentada en la conferencia mundial de desarrolladores KotlinConf.

Anthropic (20)

Universidad Macquarie (13)