Modelos con tus datos.
Machine learning a medida cuando un LLM genérico no basta: speech-to-text ajustado a tu sector, Document AI, scoring, clasificación, ranking, recomendación, previsión y modelos de decisión. Entrenados con tus datos, medidos contra lo que ya haces hoy y operados en producción.
Cuéntanos qué quieres predecir- Para quién
- Equipos con una decisión concreta y repetida que automatizar
- Empieza con
- Una revisión de datos y un modelo de referencia
- Después
- Modelos en producción, con monitorización y reentrenamiento
- Casos de uso
- Voz, documentos, scoring, ranking, previsión
Cuando un LLM
no basta.
Construimos el modelo que encaja con el problema, y el pipeline que lo mantiene preciso.
Un modelo de machine learning aprende patrones a partir de ejemplos, normalmente datos históricos etiquetados por tu equipo. Tiene sentido cuando la tarea es concreta, medible y se repite miles de veces: transcribir llamadas con el vocabulario de tu sector, puntuar un riesgo, ordenar candidatos o prever la demanda. Ahí un LLM genérico suele ser más caro, más lento y más difícil de explicar.
- DatosQué histórico y qué etiquetas tienes, y qué falta para entrenar.
- ReferenciaPrimero reglas o un modelo simple, para saber qué hay que mejorar.
- EntrenamientoModelos supervisados, de ranking o de previsión, o un speech-to-text ajustado a tu dominio.
- EvaluaciónCon datos que el modelo no ha visto y métricas acordadas con negocio. Aquí es donde fallan la mayoría de proyectos de ML.
- ExplicaciónPor qué el modelo decide lo que decide, en cada caso.
- MLOpsDespliegue, vigilancia de la deriva y reentrenamiento, en tu nube.
- Python
- ML supervisado
- ASR afinado
- Keras
- NLP
- SHAP
- AWS SageMaker
- Vertex AI
- Azure
- AWS Kinesis
Los términos, en una frase
- Aprendizaje supervisado
- El modelo aprende de ejemplos con la respuesta correcta, por ejemplo llamadas ya revisadas por tu equipo de calidad.
- ASR afinado
- Un modelo de speech-to-text reentrenado con tu audio para que entienda tu terminología y los acentos de tus clientes.
- Modelo de ranking
- Ordena opciones (expertos, productos, casos) de la más a la menos adecuada para cada situación.
- Deriva
- Cuando los datos reales cambian respecto a los de entrenamiento y el modelo empieza a acertar menos sin avisar.
- SHAP
- Técnica que muestra cuánto ha pesado cada dato en una decisión concreta del modelo.
- MLOps
- Las prácticas y herramientas para desplegar, vigilar y reentrenar modelos igual que se gestiona el resto del software.
Qué te llevas.
- Revisión de datosQué datos sirven, qué falta y cómo etiquetarlo, por escrito.
- Modelos entrenadosVersionados, con el código de entrenamiento y los datos de evaluación.
- Informe de evaluaciónMétricas sobre datos no vistos y análisis de los errores, comparados con la referencia.
- Pipeline de MLOpsDespliegue, monitorización de la deriva y reentrenamiento en AWS SageMaker, Vertex AI o Azure.
- ExplicabilidadCada decisión del modelo se puede explicar y revisar.
- El sistema es tuyoCódigo, infraestructura y documentación, en tu repositorio y tu cuenta de nube desde el primer día.
Lo que nos preguntan.
¿Cuándo necesito machine learning a medida en vez de un LLM?
Cuando la tarea es estrecha, se repite mucho y se puede medir: puntuar, clasificar, ordenar, prever o transcribir con un vocabulario muy concreto. Ahí un modelo propio suele ser más preciso, más barato por uso y más fácil de explicar. Para entender o generar texto libre, un LLM suele ser mejor punto de partida.
¿Cuántos datos hacen falta para entrenar un modelo propio?
Depende de la tarea, y lo revisamos al principio con una muestra real. A menudo los datos ya existen: en un contact center de EE. UU., el modelo de scoring aprendió de las revisiones que el equipo de calidad ya hacía a mano.
¿Podéis ajustar un speech-to-text a nuestro sector?
Sí. Para ese mismo contact center afinamos el modelo de voz con su audio, su terminología y los acentos de sus clientes, y superó el 95 % de precisión en la transcripción.
¿Cómo se explican las decisiones del modelo?
Con técnicas como SHAP, que muestran qué datos han pesado en cada decisión, y combinando el modelo con reglas de negocio deterministas donde el resultado tiene que ser exacto. Así cada decisión se puede revisar y auditar.
¿Dónde se despliegan los modelos?
En tu nube: AWS SageMaker, Google Cloud (Vertex AI) o Azure, o en tu propia infraestructura. Proyectos como BCN by Bike y Sync Health ya funcionaban con modelos sobre AWS SageMaker.
¿El sistema es nuestro?
Sí. El código, la infraestructura y la documentación viven en tu repositorio y en tu cuenta de nube desde el primer sprint. Si quieres, seguimos operándolo y evolucionándolo contigo.