Nuestro proceso de Artificial Intelligence

Cada proyecto sigue una ruta clara con entregables definidos en cada etapa. Aquí te explicamos exactamente qué sucede desde el primer contacto hasta que el modelo está funcionando en producción.

Las cinco etapas de un proyecto

No todos los proyectos necesitan las cinco etapas. A veces el paso 1 revela que el problema se resuelve con una regla de negocio simple y no hace falta un modelo de machine learning. En ese caso te lo decimos y no te cobramos por algo innecesario.

1

Diagnóstico y exploración de datos

Hacemos una videollamada de 60 minutos contigo y tu equipo técnico. Queremos entender tres cosas: cuál es el problema de negocio, qué datos existen y dónde están almacenados. Después de la llamada, nuestro equipo revisa una muestra de tus datos durante 3 a 5 días hábiles.

El resultado es un documento de diagnóstico que incluye: viabilidad técnica del proyecto, calidad de los datos disponibles, estimación del esfuerzo y un presupuesto desglosado por hito. Este diagnóstico es gratuito para proyectos que superan los 5 millones de pesos colombianos.

2

Preparación de datos y pipeline

Los datos crudos nunca están listos para entrenar un modelo. En esta etapa limpiamos, transformamos y enriquecemos los datos. Configuramos un pipeline automatizado que pueda repetir este proceso cada vez que lleguen datos nuevos.

Usamos herramientas como Apache Airflow o Prefect para orquestar las tareas, y almacenamos los datos procesados en un formato que permita versionado. Así, si dentro de seis meses quieres reentrenar el modelo con datos actualizados, el pipeline ya está listo.

Duración típica: entre 1 y 3 semanas, dependiendo del volumen y la complejidad de las fuentes de datos.

3

Desarrollo y entrenamiento del modelo

Aquí es donde construimos el modelo de IA propiamente dicho. Probamos varias arquitecturas, ajustamos hiperparámetros y evaluamos cada versión con métricas acordadas contigo. No elegimos la métrica nosotros solos: si tu negocio penaliza más los falsos negativos que los falsos positivos, optimizamos para eso.

Cada experimento queda registrado en MLflow con sus parámetros, métricas y artefactos. Tú tienes acceso al tablero de experimentos para seguir el progreso en tiempo real.

Al final de esta etapa presentamos los resultados en una sesión de revisión técnica. Si las métricas no alcanzan el umbral acordado, iteramos sin costo adicional hasta dos ciclos más.

4

Integración y despliegue

Un modelo que solo funciona en un notebook de Jupyter no sirve para nada. En esta etapa empaquetamos el modelo como una API REST o lo integramos directamente en tu sistema existente: ERP, CRM, plataforma web o aplicación móvil.

Configuramos monitoreo automático para detectar degradación del modelo. Si la distribución de los datos de entrada cambia significativamente respecto a los datos de entrenamiento, recibes una alerta antes de que el modelo empiece a dar resultados poco fiables.

El despliegue se hace primero en un entorno de pruebas. Solo pasamos a producción cuando tú y tu equipo validan que todo funciona correctamente con datos reales.

5

Soporte y evolución

Después del despliegue, ofrecemos un período de soporte incluido de 60 días. Durante ese tiempo resolvemos incidencias, ajustamos umbrales y respondemos dudas de tu equipo sobre cómo interpretar las salidas del modelo.

Si quieres soporte continuo después de esos 60 días, tenemos planes mensuales que incluyen reentrenamiento periódico, monitoreo proactivo y hasta 8 horas de consultoría técnica al mes. El precio depende de la complejidad del modelo y el volumen de predicciones.

Herramientas que usamos

No estamos casados con ningún proveedor. Elegimos la herramienta que mejor se adapta a cada proyecto y al presupuesto del cliente.

Para proyectos de procesamiento de lenguaje natural trabajamos con modelos de la familia Transformer, tanto propietarios como de código abierto. Para visión artificial usamos PyTorch y, cuando el volumen de imágenes es bajo, transfer learning sobre modelos preentrenados para reducir tiempo y costo de entrenamiento.

La infraestructura cloud la desplegamos en AWS, Google Cloud o Azure según lo que ya uses en tu empresa. Si no tienes infraestructura cloud, te ayudamos a configurar lo mínimo necesario sin sobredimensionar.

Para el versionado de datos y modelos usamos DVC y MLflow. Para orquestación de pipelines, Prefect o Airflow. Y para el monitoreo en producción, Evidently AI combinado con alertas en Slack o correo electrónico.

Pizarra con diagrama de pipeline de machine learning

Plazos y presupuestos típicos

Un proyecto de automatización documental con extracción de datos de facturas o contratos suele tomar entre 4 y 8 semanas desde el diagnóstico hasta el despliegue. El presupuesto varía entre 8 y 25 millones de pesos colombianos dependiendo del volumen de documentos y la cantidad de campos a extraer.

Un modelo predictivo de demanda para una cadena de retail con 50 a 200 SKUs toma entre 6 y 12 semanas. El rango de inversión está entre 15 y 40 millones de pesos.

Los chatbots con conocimiento específico del negocio se desarrollan en 3 a 6 semanas si la documentación base ya está digitalizada. Si hay que digitalizar manuales o políticas impresas, el plazo se extiende 2 semanas más.

Estos rangos son orientativos. El presupuesto exacto lo definimos después del diagnóstico inicial, cuando ya conocemos tus datos y el alcance real del proyecto.

Solicitar diagnóstico