Servicio
Modelos de machine learning que llegan a producción
Tu equipo de data science armó un buen modelo en un notebook. Seis meses después sigue ahí, y el negocio sigue decidiendo a ojo. El modelo funciona; lo que falta es todo lo que lo rodea.
Por qué los modelos se quedan en el notebook
Un modelo en un notebook responde una pregunta una vez. Un modelo en producción la responde todos los días, con datos que cambian, sobre una infraestructura que tiene que estar arriba, para personas que necesitan confiar en él. Esa segunda parte es donde se traban la mayoría de los proyectos: pipelines de features, despliegue, monitoreo, reentrenamiento y un responsable claro.
Nosotros construimos las dos partes. Los data scientists que diseñan el modelo trabajan al lado de los ingenieros que lo despliegan, así que el modelo nace pensado para correr en producción.
Resultados concretos
- En Moni un modelo de predicción de mora mejoró un 20% el recupero en el segmento de alto riesgo, y el ciclo de entrenamiento se hizo tres veces más corto.
- En CCM/DataVue tenemos más de 30 modelos de respuesta y conversión en producción. Los modelos propios redujeron un 30% el error de scoring frente al proveedor que reemplazaron, y la conversión de ofertas de crédito subió un 130%.
- En TravelX un modelo de ocupación de vuelos reemplazó las curvas de referencia manuales, redujo el error a menos de la mitad y analiza 400 vuelos por día. Pasaron 2 meses del kickoff a producción.
- En CTF Capital construimos predicción en tiempo real para mercados cripto sobre más de 12 servicios de AWS, e hicimos ocho veces más rápida la implementación de modelo a producción.
Primero, el diagnóstico
Antes de entrenar nada miramos los datos que realmente tenés, la decisión que el modelo va a apoyar y cómo se va a usar su resultado. Si el proceso de negocio no puede actuar sobre una predicción, un mejor modelo no cambia nada. Esa conversación salva más proyectos que cualquier algoritmo.
Después del despliegue
Los modelos se degradan. Cambia el comportamiento de los clientes, cambian las fuentes, una feature deja de cargarse. Armamos un monitoreo que lo detecta y un camino de reentrenamiento que tu equipo puede correr. Si tenés varios modelos, ahí entra MLOps.
Qué te llevás
Un modelo atado a una métrica de negocio
Definimos el éxito antes de entrenar nada: tasa de recupero, conversión, error de pronóstico. El accuracy en un set de test no es el objetivo.
Un despliegue en producción
Inferencia batch o en tiempo real sobre tu infraestructura, integrada con los sistemas que actúan sobre las predicciones.
Monitoreo y reentrenamiento
Controles de drift y de performance, y un camino de reentrenamiento que no dependa de que alguien se acuerde de correr un notebook.
Un equipo que entiende el modelo
Código en tus repositorios, documentación y recorridas, para que tu equipo lo pueda mantener y hacer evolucionar.
Cómo trabajamos
Diagnóstico
El problema real no siempre es el aparente a simple vista. Vemos la situación sin el sesgo de estar adentro de la organización.
Solución justa
Proponemos la solución más simple y adecuada que resuelva tu problema concreto. Nunca una bazooka para matar un mosquito.
Capacidad instalada
Cuando terminamos, tu equipo tiene ownership completo de la solución. Si seguimos trabajando juntos es porque querés y te podemos ayudar, no porque te tenemos cautivo con una caja negra.
Casos relacionados
Fintech
CCM/DataVue
30+ modelos de scoring sobre una plataforma de datos encriptados que opera en el orden de los terabytes.
Fintech
Moni
Predicción de mora e infraestructura de datos que redujo costos operativos un 50% y mejoró la recuperación de créditos un 20%.
Transporte
TravelX
Modelo de ocupación de vuelos que reemplazó heurísticas manuales para una empresa que vende inteligencia predictiva a aerolíneas.
Para seguir leyendo
Cómo usar contenedores custom en SageMaker para inferencia con LightGBM (guía paso a paso)
Guía completa para correr inferencias batch con LightGBM en AWS SageMaker: aprende cómo desplegar procesamiento masivo, reproducible y escalable usando contenedores e IA predictiva.
Ciencia de datos y petróleo: Una oportunidad única para Argentina
En el contexto argentino, el sector oil & gas presenta una oportunidad estratégica única. Descubrí cómo implementar soluciones de ciencia de datos para impulsar la eficiencia y rentabilidad.
Discovery de Machine Learning: 4 semanas para decidir cómo aplicar ML en tu negocio
En Deployr diseñamos un proceso de Discovery en 4 semanas para validar si machine learning es la solución correcta para tu problema de negocio. Te contamos cómo funciona y por qué es clave antes de invertir en un proyecto de ML.
Preguntas frecuentes
Ya tenemos un modelo en un notebook. ¿Lo pueden llevar a producción?
Sí. Primero lo revisamos, porque a veces el notebook esconde fugas de datos o features que no van a existir al momento de predecir. Después lo empaquetamos, lo desplegamos y le sumamos monitoreo.
¿Cómo sé si machine learning vale la pena para mi problema?
Para eso está el diagnóstico. A veces la respuesta es una regla, una consulta SQL o un mejor dashboard, y te lo vamos a decir. Cuando ML sí tiene sentido, estimamos el impacto antes de construir.
¿Cuánto tarda un modelo en llegar a producción?
En TravelX fueron 2 meses desde el kickoff hasta producción. Los proyectos más grandes, como los 30+ modelos de scoring de CCM/DataVue, avanzan por etapas para que cada modelo genere valor antes de que esté listo el siguiente.
¿De quién son los modelos?
Tuyos. El código, los datos y los modelos entrenados viven en tus cuentas y tus repositorios.