Aitor Herrarte
Alonso

El cliente escanea el QR de su mesa, pide desde su móvil y la comanda entra directa en la pantalla de cocina. Cada restaurante vive aislado del resto, y esa frontera se defiende en el servidor y en la base de datos.

• Arquitectura backend multi-tenant con aislamiento por restaurante vía JWT y autenticación por usuario más PIN hasheado con bcrypt y pepper.
• Panel de cocina en tiempo real con Supabase Realtime, con reconexión automática y resincronización al recuperar el foco o la red: si el camarero pierde cobertura un minuto, al volver no le falta ninguna comanda.
• Endurecimiento de seguridad: cierre de vulnerabilidades IDOR con tokens de sesión de mesa, recálculo del total en el servidor (el precio que manda el cliente se ignora), idempotencia con índice único para que un reenvío no duplique el pedido, CORS restringido y RLS cerrado.
• Panel de negocio con facturación, ticket medio y top de platos, más exportación a CSV.

Modelo de datos

7 tablasmigraciones SQL versionadas

Backend

6 módulosde rutas y middlewares

Cocina

Tiempo realvía postgres_changes

Aislamiento

RLScerrado en Supabase

Node.js 22ExpressSupabase (Postgres, Realtime y RLS)JWTbcryptStripeRailway

Código de mesa: 123

Un crash game integrable en casinos vía seamless wallet, con un servidor de juego autoritativo y una equidad que cualquiera puede verificar por su cuenta: el resultado de cada ronda está comprometido antes de que exista.

• Servidor autoritativo en tiempo real sobre WebSockets con PostgreSQL detrás: el cliente nunca decide el resultado, solo lo muestra.
• Sistema provably-fair completo: commit y reveal con SHA-256 más el beacon público drand como semilla de cliente, fijada contra una ronda futura que todavía no existe, de forma que ni el operador puede anticiparla.
• Integración B2B estándar de la industria (seamless single-wallet estilo Hub88): callbacks de apuesta, premio y anulación firmados con RSA-SHA256, idempotentes por transaction_uuid, con anti-replay y multidivisa.
• Robustez de grado casino: ledger en Postgres, worker de reconciliación con backoff exponencial y apagado ordenado que revierte la ronda en vuelo.

RTP

97,0 %plano, validado por Monte Carlo

Simulación

400.000rondas simuladas

Producción

20.000+rondas verificables

Cadena de semillas

91.622hashes encadenados

Node.jsTypeScriptWebSocketPostgreSQLnode:cryptodrandRailway

Un motor que ingiere noticias financieras en tiempo real, estima su impacto sobre cada activo y contrasta después cada predicción contra el movimiento real del precio. El problema interesante no era analizar: era hacerlo a escala sin que el coste de IA se disparara.

Noticias analizadas

7.374con su impacto razonado

Impactos por activo

15.599relación noticia y activo

Universo

557activos cubiertos

Código

6.700líneas de Python

• Arquitectura multi-agente: un experto por activo que se ramifica en subagentes especializados por tipo de noticia, cada uno con su propio playbook, la memoria de cómo reaccionó históricamente ese activo y el contexto de los activos correlacionados.
• Pipeline de cinco niveles para controlar el coste: deduplicación, mapeo determinista de activos, filtro de relevancia a coste cero, triaje con modelo barato y razonamiento profundo reservado solo a las noticias de alto impacto.
• Tres proveedores de LLM tras una capa común (Anthropic, Google Gemini y DeepSeek), intercambiables sin tocar la lógica de negocio, con ensemble entre modelos: cuando sus análisis divergen, la confianza de la señal baja automáticamente.
• Bucle de evaluación cerrado: al vencer el horizonte de cada predicción se contrasta contra el precio real, generando un track record medido por activo y por tipo de noticia sin coste de IA añadido.
• Grafo de correlaciones entre activos construido combinando pertenencia estructural, correlación de precios con signo y co-ocurrencia en noticias, para que cada experto vea el estado de lo que le afecta.

PythonAnthropic APIGoogle GeminiDeepSeekPostgreSQLTelethonWebSocketDockerRailway