Exploración y prototipado
Jupyter notebooks, pandas, matplotlib y seaborn para el análisis exploratorio. DVC para versionar datasets grandes. Todo queda en un repositorio Git desde el primer día.
Cada proyecto pasa por estas etapas. Algunas se solapan y otras se repiten si los resultados intermedios lo requieren. No seguimos un proceso rígido tipo cascada: iteramos hasta que el modelo cumple el umbral de rendimiento pactado.
Nos reunimos contigo (presencialmente en Bilbao o por videoconferencia) durante una sesión de dos a tres horas. Queremos entender el problema de negocio, no la tecnología que imaginas como solución. ¿Qué decisión tomas hoy con intuición que podría apoyarse en datos? ¿Qué proceso manual consume más horas de tu equipo? ¿Dónde pierdes dinero por falta de visibilidad?
Al final de esta sesión redactamos un documento de una página con el problema definido, la métrica de éxito y una estimación preliminar de viabilidad. Si concluimos que la IA no es la respuesta adecuada, te lo decimos. Ha ocurrido en cuatro ocasiones y en dos de ellas recomendamos una solución de automatización clásica que resolvió el problema por una fracción del coste.
Accedemos a tus fuentes de datos con credenciales de solo lectura. Analizamos volumen, calidad, frecuencia de actualización y posibles sesgos. Generamos un informe técnico que incluye: número de registros útiles, porcentaje de valores ausentes por variable, distribución de la variable objetivo y recomendaciones de limpieza.
Esta fase dura entre cinco y diez días laborables. Si los datos son insuficientes, proponemos una estrategia de captura (por ejemplo, instrumentar un formulario web o conectar sensores IoT) antes de seguir adelante. No tiene sentido entrenar un modelo con datos que no representan la realidad.
En dos semanas construimos un primer modelo funcional con un subconjunto de datos. El objetivo no es la precisión final, sino validar que la señal existe. Presentamos los resultados en una reunión de revisión donde mostramos las métricas (precisión, recall, RMSE, según el tipo de problema) y las comparamos con el baseline del cliente.
Si la señal es débil, exploramos variables alternativas o reformulamos el problema. Un cliente del sector energético nos pidió predecir el consumo eléctrico por edificio, pero los datos de contadores estaban agregados por zona. Reformulamos el modelo para predecir por zona y el resultado fue igualmente útil para su planificación.
Con el enfoque validado, pasamos al desarrollo completo. Entrenamos múltiples variantes del modelo, ajustamos hiperparámetros con búsqueda bayesiana y evaluamos el rendimiento con validación cruzada temporal (para series temporales) o estratificada (para clasificación). Cada experimento queda registrado en MLflow con sus métricas, parámetros y artefactos.
En paralelo, construimos el pipeline de datos que alimentará al modelo en producción: extracción, transformación, validación de calidad y carga en el formato que el modelo espera. Esta fase dura entre tres y seis semanas, dependiendo de la complejidad.
Empaquetamos el modelo en un contenedor Docker y lo desplegamos en la infraestructura acordada: puede ser un servidor del cliente, AWS, Google Cloud o Azure. Configuramos la API de inferencia, los tests automáticos y las alertas de monitorización (latencia, tasa de error, drift de datos).
Integramos la salida del modelo con el sistema del cliente. En algunos casos es un dashboard; en otros, una llamada API desde el ERP que recibe la predicción y la muestra al usuario en su interfaz habitual. Realizamos pruebas de carga para asegurar que el servicio responde en menos de 200 milisegundos bajo el tráfico esperado.
Durante los primeros 90 días tras el lanzamiento, monitorizamos el rendimiento del modelo y corregimos cualquier incidencia sin coste adicional. Revisamos semanalmente las métricas de producción y comparamos con las obtenidas durante el entrenamiento. Si detectamos degradación (data drift), reentrenamos el modelo con datos recientes.
Pasados los 90 días, puedes contratar un plan de mantenimiento mensual o asumir el mantenimiento internamente. En ambos casos, entregamos toda la documentación, el código fuente y los scripts de reentrenamiento. Tu equipo recibe dos sesiones de formación práctica de dos horas cada una.
No elegimos tecnología por moda. Cada herramienta responde a un criterio concreto: coste, rendimiento, facilidad de mantenimiento o compatibilidad con la infraestructura del cliente.
Jupyter notebooks, pandas, matplotlib y seaborn para el análisis exploratorio. DVC para versionar datasets grandes. Todo queda en un repositorio Git desde el primer día.
Docker y Kubernetes para el empaquetado. Terraform para aprovisionar recursos cloud. GitHub Actions o GitLab CI para la integración continua. FastAPI o Flask para servir las predicciones.
Grafana para métricas de infraestructura, MLflow para métricas de modelo y Metabase o Superset para los cuadros de mando que ve el cliente. Alertas por Slack o email cuando algo se desvía.
Depende del alcance, pero la mayoría de proyectos se completan entre 8 y 14 semanas. Un modelo predictivo sencillo con datos limpios puede estar en producción en seis semanas. Un sistema de visión por computador con entrenamiento de modelo personalizado suele necesitar diez o doce.
No es imprescindible. Nosotros nos encargamos del desarrollo completo y entregamos documentación para que cualquier perfil técnico pueda mantener el sistema. Si tienes desarrolladores internos, trabajamos codo con codo con ellos y les formamos en las herramientas que usamos.
Lo detectamos en la fase de auditoría. Si faltan datos, proponemos una estrategia de captura antes de empezar a modelar. En algunos casos hemos usado técnicas de data augmentation o transfer learning para compensar volúmenes bajos, pero siempre con transparencia sobre las limitaciones del modelo resultante.
Sí. Facturamos por fases completadas. Si decides no continuar después del prototipo, pagas solo las fases ejecutadas y te quedas con todo el trabajo realizado hasta ese punto: código, datos procesados y documentación.
Sí, es normal. Los patrones en los datos cambian y el modelo necesita actualizarse. Por eso incluimos monitorización de drift y scripts de reentrenamiento. Con el plan de mantenimiento mensual, nosotros nos encargamos de reentrenar cuando las métricas bajan del umbral acordado. Sin plan, tu equipo puede hacerlo con los scripts y la documentación que entregamos.
El primer paso es una conversación de 30 minutos donde escuchamos tu problema y te decimos si podemos ayudar. Sin coste, sin compromiso.
Contactar ahoraTeléfono: +34 94 595 40 44 · Email: [email protected]