El proceso paso a paso
Desde la primera llamada hasta el modelo funcionando en producción, esto es lo que ocurre.
Diagnóstico inicial
Agendamos una videollamada de 45 minutos contigo y con quien conozca los datos de tu operación. No necesitas preparar nada especial: queremos entender qué problema te quita el sueño y qué información tienes disponible. Al terminar la llamada redactamos un documento de dos páginas con nuestra evaluación: si creemos que la IA puede ayudarte, qué tipo de modelo recomendamos y una estimación de tiempo y costo. Si concluimos que tu problema no requiere IA, te lo decimos con honestidad y te sugerimos alternativas.
1 a 3 díasExploración de datos
Accedemos a tus fuentes de datos bajo un acuerdo de confidencialidad. Revisamos la calidad: registros faltantes, formatos inconsistentes, sesgos evidentes. Este paso es el que más determina el éxito del proyecto. Un modelo entrenado con datos sucios produce predicciones inútiles, así que invertimos el tiempo necesario aquí. Te entregamos un informe con estadísticas descriptivas, visualizaciones y una lista de tareas de limpieza que necesitamos resolver antes de avanzar.
1 a 2 semanasDesarrollo del modelo
Seleccionamos el algoritmo adecuado para tu caso. No siempre es deep learning: a veces una regresión logística bien calibrada supera a una red neuronal compleja en datos tabulares. Entrenamos varias versiones, comparamos métricas (precisión, recall, F1, MAE, según el problema) y elegimos la que mejor equilibra rendimiento y explicabilidad. Durante esta fase hacemos una demo semanal para que veas el progreso y puedas dar retroalimentación.
2 a 4 semanasValidación y pruebas
Antes de poner cualquier modelo en producción lo sometemos a pruebas con datos que nunca vio durante el entrenamiento. Simulamos escenarios extremos: ¿qué pasa si llegan datos con un formato inesperado? ¿Cómo responde el modelo ante un pico inusual? Documentamos cada prueba y sus resultados. Si las métricas no alcanzan el umbral que acordamos al inicio del proyecto, volvemos al paso anterior sin costo adicional.
1 semanaDespliegue en producción
Configuramos el modelo en la infraestructura que mejor se adapte a tu presupuesto y volumen: puede ser un servicio en AWS Lambda para cargas intermitentes, un contenedor Docker en Google Cloud Run para tráfico constante, o incluso un servidor on-premise si tus políticas de seguridad lo exigen. Creamos una API documentada para que tu equipo de desarrollo pueda consumir las predicciones desde cualquier aplicación.
3 a 5 díasCapacitación y transferencia
Entregamos dos sesiones de capacitación: una técnica para tu equipo de TI (cómo monitorear el modelo, reiniciarlo, actualizar datos) y una funcional para los usuarios finales (cómo interpretar los resultados, qué hacer cuando el modelo marca una alerta). Dejamos un manual escrito con capturas de pantalla y un canal de soporte por correo durante 60 días posteriores a la entrega.
2 a 3 díasHerramientas que usamos
Elegimos la tecnología según el problema, no al revés. Estas son las que aparecen con más frecuencia en nuestros proyectos.
TensorFlow y PyTorch
Para redes neuronales, modelos de visión por computadora y procesamiento de lenguaje natural. Usamos TensorFlow cuando el modelo va a producción en dispositivos móviles, y PyTorch para investigación rápida.
Pandas y SQL
La limpieza y transformación de datos consume entre el 40 % y el 60 % del tiempo de un proyecto. Pandas nos permite manipular tablas con millones de filas, y SQL conecta directamente con tus bases de datos existentes.
Scikit-learn
Para modelos clásicos de machine learning: árboles de decisión, random forest, gradient boosting, regresiones. En muchos proyectos estos algoritmos ofrecen la mejor relación entre rendimiento y facilidad de mantenimiento.
AWS y Google Cloud
Desplegamos modelos en Lambda, SageMaker, Cloud Run o Vertex AI según el volumen de peticiones y el presupuesto del cliente. También configuramos pipelines de datos con Airflow o Cloud Composer.
Preguntas frecuentes
Dudas que nos plantean la mayoría de clientes antes de empezar.
Depende del alcance. Un modelo predictivo sencillo con datos limpios puede costar entre 8 y 15 millones de pesos colombianos. Proyectos más complejos, como un sistema de detección de fraude en tiempo real con integración a múltiples fuentes, pueden superar los 40 millones. El diagnóstico inicial es gratuito y al final de esa etapa recibes un presupuesto detallado sin compromiso.
No siempre. Para algunos modelos bastan unos pocos miles de registros. Lo importante es que los datos sean representativos del problema que quieres resolver. Si tienes pocos datos, podemos aplicar técnicas de aumento de datos o usar modelos pre-entrenados que requieren menos ejemplos para ajustarse. En la fase de exploración evaluamos si tus datos son suficientes y te lo comunicamos antes de avanzar.
Firmamos un acuerdo de confidencialidad antes de acceder a cualquier dato. Trabajamos en entornos aislados con cifrado en tránsito y en reposo. Al finalizar el proyecto, eliminamos todas las copias de tus datos de nuestros servidores y te entregamos un certificado de destrucción. Si prefieres que trabajemos directamente en tu infraestructura, también lo hacemos.
Incluimos 60 días de soporte por correo electrónico. Si durante ese periodo el modelo presenta un rendimiento inferior al acordado, lo ajustamos sin costo. Después de los 60 días puedes contratar un plan de mantenimiento mensual que incluye monitoreo, re-entrenamiento periódico con datos nuevos y soporte prioritario. Muchos de nuestros clientes optan por este plan porque los datos cambian con el tiempo y el modelo necesita actualizarse.
Sí. Cobramos por etapas completadas, no por adelantado. Si al terminar la exploración de datos decides no continuar, solo pagas esa fase. Te entregas el informe de datos y puedes retomarlo más adelante o llevarlo a otro proveedor.
¿Listo para empezar?
El diagnóstico inicial no tiene costo. Escríbenos y en menos de 24 horas agendamos la primera videollamada.
Solicitar diagnóstico