Trayectoria

Una ola creciente de regulaciones, EU DSA, EU TCOR, UK OSA, NY S895, CA AB 587, la ECA de Brasil, las IT Rules de India y otras, exige cada una informes de transparencia granulares y localizados de forma coherente. El enfoque anterior de Roblox era manual y difícil de escalar a medida que el panorama regulatorio seguía expandiéndose.

• Lidero la estrategia y la producción de informes de transparencia para más de 8 regulaciones internacionales.
• Escribí un conjunto de consultas SQL modulares, de nivel de producción y con control de versiones para ciclos de informes repetibles y auditables.
• Diseño un modelo de datos unificado de cumplimiento de producto y un pipeline de informes automatizado para escalar y preparar el sistema de cara a auditorías externas.
• Lidero iniciativas de habilitación de IA para mejorar la productividad del equipo y reducir la carga manual.

Los investigadores que estudian plataformas en línea, académicos, organizaciones de la sociedad civil y analistas de seguridad de plataformas, no han tenido ninguna vía oficial y programática para acceder a los datos públicos de Roblox. Sin un acceso estructurado, la investigación externa ha dependido de la recopilación manual o del scraping no oficial, limitando la calidad y la escala del escrutinio independiente que Roblox podía recibir sobre moderación de contenido, seguridad de la plataforma y aplicación de políticas. Al mismo tiempo, Roblox no tenía ningún mecanismo para apoyar proactivamente a la comunidad investigadora que informa a los responsables de políticas y a la comprensión pública de las grandes plataformas.

• Identifiqué la oportunidad de crear la primera Research Data API pública de Roblox, una capacidad que nunca ha existido en la empresa y que no es práctica estándar entre las grandes plataformas de videojuegos.
• Lidero la estrategia de producto de extremo a extremo: definir qué datos públicos exponer, diseñar el esquema de la API y la arquitectura de endpoints, y establecer la gobernanza de datos, los controles de acceso para investigadores, la limitación de tasa, la autenticación y los términos de uso.
• Impulso la alineación interfuncional entre Ingeniería, Legal, Políticas y Privacidad para diseñar un modelo de acceso conforme, sostenible y escalable.
• Posiciono la API como un complemento estructurado a los informes de transparencia existentes de Roblox, extendiendo la postura de rendición de cuentas pública de la empresa más allá de los informes periódicos hacia un acceso a datos consultable y bajo demanda.

Construir SQL y Python de nivel de producción para más de 10 requisitos de cumplimiento regulatorio, informes, RFIs, evaluaciones de riesgo y soporte a litigios, normalmente llevaría de 3 a 6 semanas de ingeniería de puro código por ciclo. Con una cartera regulatoria en rápida expansión y un equipo reducido, ese ritmo era inviable.

• Actué como PM y autor principal en un flujo de trabajo de programación con IA con supervisión humana (human-in-the-loop), usando agentes de Cursor para generar SQL y Python de nivel de producción.
• Generé más de 7.000 líneas de código de producción en más de 10 requisitos regulatorios, con los ingenieros de datos y los científicos de datos actuando como revisores de código en lugar de programadores principales.
• Diseñé un pipeline de desarrollo estructurado: contexto de consulta y esquema → SQL generado por IA → revisión y aprobación humana del código → refinamiento iterativo → pipelines de Python a escala completa.
• Comprimí el bucle de retroalimentación entre el PM y la ingeniería, permitiendo una iteración más rápida y reduciendo el cuello de botella de la coordinación interfuncional de calendarios.

El grupo de trabajo Privacy Sandbox (más de 900 ingenieros, PMs y personal de cumplimiento) se ahogaba entre más de 12.000 documentos aislados en repositorios restringidos. La recuperación de información era un cuello de botella serio, ralentizando el desarrollo, el cumplimiento regulatorio y la estrategia, pero la sensibilidad del corpus descartaba las herramientas de búsqueda de propósito general.

• Autor único de los documentos de diseño v1 y v2; impulsor principal desde la concepción hasta el prototipo funcional.
• Consulté a stakeholders de toda la organización para diagnosticar los puntos de dolor, y luego diseñé el sistema completo de extremo a extremo: frontend web, backend en Agent Studio, Gemini 2.5 Pro como LLM y una base de datos vectorial indexada con más de 12.000 documentos restringidos.
• Implementé dos modos operativos: (1) Preguntas y respuestas de experto con RAG y cita de fuentes, ancladas en el corpus; y (2) un modo de redacción especializado para generar primeros borradores de evaluaciones de criterios D&I, un flujo de trabajo de cumplimiento de alta frecuencia, directamente a partir de descripciones de cambios aportadas por el usuario.
• Redacté el prompt del sistema, definí los requisitos técnicos, los controles de acceso y las mitigaciones de riesgo, incluyendo salvaguardas contra alucinaciones y revisión humana obligatoria.
• Presenté el proyecto en el Privacy Sandbox TPgM AI Hackathon; recibí un spot bonus de un Senior Director por “desbloquear un impacto potencial en cuanto a ahorro de tiempo y calidad de las respuestas regulatorias”.

El equipo legal de Privacy Sandbox dedicaba varias horas cada semana a revisar manualmente informes de errores y documentos vinculados para preparar un resumen de revisión legal. El proceso era lento, inconsistente y suponía un cuello de botella para la supervisión de cumplimiento de toda la iniciativa Privacy Sandbox.

• Autor y desarrollador único de la solución de automatización de extremo a extremo.
• Colaboré directamente con el equipo legal para entender su flujo de trabajo, sus criterios de decisión y qué significa un “buen” resultado para cada subequipo.
• Diseñé un pipeline de tres etapas: SQL (F1) para extraer los datos de errores relevantes → Python (Colab) para orquestar → Gemini LLM vía TextMiner para procesar.
• Diseñé una serie de prompts multietapa que realizan tareas cognitivas complejas: resumir documentos vinculados, identificar riesgos clave frente a compromisos regulatorios específicos de la CMA y clasificar el tipo de revisión requerida (“Revisión requerida” vs. “Solo informativo”) para tres subequipos legales, Producto, Competencia y Privacidad.

Los informes trimestrales de cumplimiento del Monitoring Trustee (MT), un entregable obligatorio bajo los compromisos legales de Google con la Competition and Markets Authority (CMA) del Reino Unido, se generaban manualmente. El proceso llevaba más de 60–80 horas-persona por trimestre, era de alto riesgo, propenso a errores, no documentado y dependía de 5–6 puntos únicos de fallo individuales. No había auditabilidad ni visibilidad diaria de las métricas clave.

• Autor e implementador único. Tres SWEs que originalmente definieron el alcance del proyecto creían que solo un ingeniero de software podría construirlo, y eran escépticos de que un TPM lo intentara.
• Diseñé la arquitectura del sistema de extremo a extremo: un pipeline ETL que extrae de múltiples fuentes de datos internas (Teamgraph, logs de sistema en bruto, importaciones no estándar), con procesamiento de datos complejo, enriquecimiento con LLM y generación automatizada de informes.
• Diseñé un flujo de trabajo PLX que ejecuta una serie de scripts SQL para extraer, procesar y enriquecer datos de tres grupos de trabajo (PSWG, NWG, AWG), con cálculo dinámico del periodo de informe y exportación a Google Sheets.
• Implementé control de versiones y diseño modular de consultas para la mantenibilidad, la auditabilidad y la eliminación de los puntos únicos de fallo.
• Entregado antes de plazo, a lo largo de festivos internacionales importantes.

Una brecha de cumplimiento significativa: empleados de la organización de más de 500 personas de Privacy Sandbox no eran miembros del obligatorio grupo de trabajo Privacy Sandbox (PSWG), un requisito fundamental bajo los Compromisos de Google con la CMA. No existía ningún mecanismo automatizado para identificar, notificar o rastrear a las personas incumplidoras.

• Identifiqué proactivamente la brecha de cumplimiento, totalmente por iniciativa propia; no fue una tarea asignada.
• Diseñé un sistema de detección automatizado usando SQL para cruzar las cadenas de reporte de los empleados con los datos de membresía del grupo PSWG.
• Construí un sistema de notificación en AppsScript para enviar automáticamente correos a las personas incumplidoras y a sus responsables, con seguimiento hasta el cierre.

El equipo de Legal Content Policy & Standards necesitaba comprender rápidamente la esencia de miles de solicitudes legales de retirada entrantes para la gestión de casos y el análisis de tendencias. La revisión manual a este volumen era inviable. El resumen automático de casos era la funcionalidad más solicitada para su panel de gestión principal, pero no existía ninguna solución escalable.

• Autor del documento de diseño y de la guía de usuario, e implementador principal del flujo de trabajo automatizado completo.
• Consulté directamente con el equipo LCPS para definir los requisitos y comprender los matices de cómo se usarían operativamente los resúmenes de casos.
• Diseñé un pipeline de SQLMiner que realiza inferencia masiva con LLM directamente en la base de datos. Los datos sensibles no pasan por un sistema intermedio y el pipeline procesa casos a escala de producción.
• Diseñé un prompt de patrón RAG que alimenta datos estructurados de las tablas de casos al LLM, produciendo resúmenes concisos, precisos y con formato coherente para todos los casos elegibles.
• Mostré los resúmenes generados por IA directamente dentro del panel de gestión PLX principal del equipo como una funcionalidad bajo demanda.

El equipo de operaciones legales procesaba las solicitudes legales de retirada manualmente, un flujo de trabajo que requería revisar caso por caso en múltiples herramientas internas. Se había acumulado un backlog de más de 8.400 casos, y el volumen continuo (decenas de miles de casos) hacía inviable el procesamiento manual con la plantilla existente.

• Construí un prototipo de concepto (PoC) en node.js para procesar el backlog inmediato de más de 8.400 casos, probando que el enfoque funcionaba antes de invertir en una solución completa.
• Lideré el desarrollo de una extensión de Chrome de producción con automatización de navegador para procesar solicitudes legales de retirada a gran escala, automatizando el flujo de trabajo multiherramienta que antes requería interacción manual.
• Colaboré con Ingeniería para llevar el enfoque de prototipo de concepto a una herramienta lista para producción.
• Elogiado por PMs senior tanto por la velocidad de entrega como por el impacto en la capacidad del equipo.