Looking for a job

Andrés Cáliz

@andrscliz

Software developer building Node.js systems, including an active service-management platform that replaced manual processes.

Colombia

Message

I designed and developed the backend for an active service-management system for a cellphone and computer repair business. It replaced the business’s manual processes and handles customer and inventory management in real time.

For Futibet, I built a Node.js backend and responsive React interface, and developed Python data-processing algorithms to analyze expected value in sports markets. I also integrated external APIs and automated deployment on Railway.

In academic and personal projects, I trained TensorFlow models to classify nine types of weeds and developed a native Kotlin app for tracking a World Cup sticker collection. I used MobileNetV2 and tf.data for the weed-recognition project, and MVVM, SQLite, and Retrofit for the app.

Experience

Work history, roles, and key accomplishments

Current

Sistema de Gestión de Equipos y Trazabilidad Operativa

Current

Taller de Reparación de Celulares y Computadores

Diseñé y desarrollé desde cero el backend en Node.js y estructuré la base de datos con Supabase (PostgreSQL), reemplazando el 100% de los procesos manuales del negocio. Implementé un sistema que procesa un promedio de 150 a 300 órdenes de servicio mensuales, administrando clientes e inventario en tiempo real.

NodeJS ExpressJS Supabase PostgreSQL REST APIs

Futibet — Plataforma de Predicción de Resultados Deportivos

Proyecto empresarial

Construí el backend con Node.js e implementé una interfaz responsiva utilizando React y un diseño visual basado en Glassmorphism. Desarrollé algoritmos de procesamiento de datos históricos utilizando Python (Pandas, NumPy, SciPy) para modelar y analizar el valor esperado (+EV) en mercados deportivos.

NodeJS React Python Pandas NumPy Scipy Railway REST APIs

World Cup Album Tracker 2026 | Aplicación Móvil Nativa

Proyecto personal

Desarrollé una aplicación móvil en Kotlin orientada a la gestión y seguimiento en tiempo real del inventario de cromos. Implementé la arquitectura MVVM (Model-View-ViewModel) para garantizar un código modular, escalable y mantenible.

Kotlin Android MVVM SQLite Retrofit

Sistema de Detección de Maleza mediante Visión por Computador

Proyecto académico / Data Science

Entrené modelos de Redes Neuronales Convolucionales (CNN) usando Python y TensorFlow para clasificar 9 tipos de maleza en cultivos agrícolas, alcanzando accuracies de entre 90% y 95% según el modelo/configuración. Apliqué técnicas de transfer learning (MobileNetV2 preentrenado) y pipelines de datos con tf.data sobre el dataset DeepWeeds.

Python TensorFlow CNN Transfer Learning MobileNetV2 Tf.Data DeepWeeds