Seis fases, de la idea al modelo en producción
Descubrimiento
Empezamos con una reunión de 90 minutos donde escuchamos el problema que quieres resolver. No necesitas saber qué algoritmo hace falta: eso es cosa nuestra. Lo que sí necesitamos es entender qué decisión se toma hoy de forma manual, con qué frecuencia y qué coste tiene equivocarse.
Después de esa reunión, revisamos los datos disponibles. Nos basta con una muestra anonimizada para evaluar la calidad: campos vacíos, formatos inconsistentes, volumen total. En tres días laborables te enviamos un documento de viabilidad con nuestra recomendación honesta. Si creemos que la IA no es la mejor solución para tu caso, te lo decimos.
Preparación de datos
Los datos rara vez llegan limpios. En esta fase conectamos con tus fuentes (bases de datos SQL, archivos CSV, APIs internas, data lakes) y construimos un pipeline de extracción y transformación. Eliminamos duplicados, tratamos valores nulos y creamos las variables derivadas que el modelo necesitará.
Todo este trabajo queda documentado en un repositorio Git que compartimos contigo. Si mañana quieres que otro equipo continúe el proyecto, tendrá el contexto completo. No creamos dependencias artificiales.
Experimentación y entrenamiento
Probamos al menos tres enfoques diferentes. Para un problema de predicción de demanda, por ejemplo, podríamos comparar un modelo ARIMA clásico, un gradient boosting con features temporales y una red LSTM. Cada experimento queda registrado en MLflow con sus hiperparámetros, métricas y la versión exacta de los datos de entrenamiento.
Al final de esta fase, presentamos los resultados en una demo en vivo. Mostramos las predicciones del modelo sobre datos reales que no ha visto durante el entrenamiento, y comparamos su rendimiento con la línea base que definimos en la fase de descubrimiento. Si el accuracy, el F1 o la métrica que hayamos acordado no alcanza el umbral mínimo, lo decimos con claridad y proponemos alternativas: más datos, features adicionales o un replanteamiento del problema.
Validación y pruebas
Antes de desplegar nada, sometemos el modelo a pruebas de estrés. Simulamos escenarios extremos: picos de volumen, datos con distribuciones diferentes a las del entrenamiento, campos faltantes. Queremos saber cómo se comporta el modelo cuando las cosas no van como esperamos, porque en producción eso ocurre con frecuencia.
En paralelo, revisamos posibles sesgos. Si el modelo toma decisiones que afectan a personas (scoring crediticio, selección de candidatos), analizamos si hay diferencias significativas por género, edad o código postal. Documentamos los resultados y, si detectamos un sesgo relevante, lo corregimos antes de seguir adelante.
Despliegue en producción
Empaquetamos el modelo en un contenedor Docker y lo desplegamos en tu infraestructura. Si usas AWS, lo montamos en ECS o Lambda según el patrón de uso. En Azure, optamos por Azure Container Instances o Functions. Para clientes con servidores propios, configuramos Docker Compose con un reverse proxy Nginx.
El endpoint queda protegido con autenticación por API key y rate limiting. Configuramos un dashboard de monitorización que muestra latencia de respuesta, número de peticiones, distribución de las predicciones y alertas automáticas si la precisión del modelo cae por debajo del umbral definido.
Seguimiento y mejora continua
Un modelo no es un producto terminado. Los datos del mundo real cambian y el rendimiento se degrada con el tiempo. Monitorizamos el data drift semanalmente y programamos reentrenamientos cuando las métricas lo justifican.
Si tienes contratado el plan de servicio continuo, este seguimiento está incluido. Si no, te entregamos la documentación y las herramientas para que tu equipo pueda hacerlo de forma autónoma. En ambos casos, el modelo sigue siendo tuyo: código, pesos y pipeline completo.
Lo que nos diferencia en la ejecución
Muchas consultoras entregan un informe en PDF y desaparecen. Nosotros entregamos código que funciona, desplegado y documentado. Si el modelo no cumple las métricas que acordamos al principio, iteramos sin coste extra. Esa garantía nos obliga a ser honestos en la fase de descubrimiento: si un proyecto no tiene viabilidad técnica, preferimos decirlo antes de empezar.
Las reuniones de seguimiento son semanales y duran entre 20 y 40 minutos. Mostramos el avance real con demos interactivas, no con presentaciones de 50 diapositivas. Cada miembro del equipo tiene acceso al repositorio del proyecto y puede ver los commits, los experimentos registrados en MLflow y las métricas actualizadas.
Cuando el proyecto termina, hacemos una sesión de transferencia de conocimiento de 4 horas donde explicamos a tu equipo cómo funciona el modelo, cómo reentrenarlo y qué señales indican que necesita atención. Esa sesión se graba y queda disponible para consulta futura.
Principios que guían nuestro trabajo
Reproducibilidad
Cada experimento se puede repetir exactamente. Fijamos semillas aleatorias, versionamos los datos y registramos cada hiperparámetro. Si dentro de seis meses alguien pregunta por qué el modelo predice lo que predice, la respuesta está en el registro.
Transparencia
Compartimos los resultados tal como son, incluidos los fallos. Si un modelo tiene un 88 % de precisión pero falla más en un segmento concreto, lo documentamos y lo discutimos contigo. Las decisiones informadas requieren información completa.
Propiedad del cliente
El código, los modelos entrenados y los pipelines de datos son tuyos. Te entregamos el repositorio completo con licencia abierta para uso interno. No cobramos licencias recurrentes por usar lo que hemos construido juntos.
Simplicidad primero
Si un modelo lineal con 5 variables resuelve el problema con un 92 % de acierto, no proponemos una red neuronal de 200 millones de parámetros. El modelo más sencillo que cumpla las métricas es siempre la mejor opción: más barato de mantener, más fácil de explicar y más rápido de desplegar.
¿Listo para empezar?
La primera conversación es gratuita y dura unos 30 minutos. Cuéntanos qué problema quieres resolver, qué datos tienes disponibles y qué resultado esperas. A partir de ahí, te decimos si podemos ayudarte y cómo.