Artificial Intelligence: nuestro proceso paso a paso
Cada proyecto sigue una metodología clara con entregables definidos. Aquí te explicamos qué ocurre desde que nos contactas hasta que el modelo funciona en producción.
Las seis fases de un proyecto de IA
No todos los proyectos necesitan las seis fases completas. A veces la fase de diagnóstico revela que una solución más simple (una regla de negocio, una consulta SQL bien escrita) resuelve el problema sin necesidad de un modelo de machine learning. En ese caso lo decimos con franqueza y te ahorramos meses de trabajo innecesario.
1. Diagnóstico y definición del problema
Nos reunimos contigo durante una o dos sesiones de 90 minutos. Queremos entender tres cosas: qué decisión quieres mejorar, qué datos tienes disponibles y cómo mides el éxito hoy. Al final de esta fase entregamos un documento de alcance con el problema formulado, las fuentes de datos identificadas y una estimación de viabilidad técnica.
Esta fase dura entre tres y cinco días hábiles. No tiene costo si el proyecto avanza a la siguiente etapa.
2. Exploración y preparación de datos
Conectamos las fuentes de datos (bases SQL, archivos CSV, APIs, hojas de cálculo) y hacemos un análisis exploratorio. Buscamos valores faltantes, duplicados, distribuciones atípicas y posibles sesgos. Documentamos cada hallazgo en un informe con gráficos que compartimos contigo antes de seguir adelante.
La limpieza y transformación de datos suele tomar entre una y tres semanas, dependiendo del volumen y la calidad de la información. En proyectos con datos desordenados esta fase puede extenderse, pero es mejor invertir tiempo aquí que construir un modelo sobre cimientos frágiles.
3. Diseño y entrenamiento del modelo
Seleccionamos el algoritmo o la arquitectura de red neuronal más adecuada para el problema. Probamos al menos tres enfoques distintos y comparamos su rendimiento con métricas objetivas: precisión, recall, F1-score, error absoluto medio, según el caso.
Entrenamos los modelos en entornos cloud con GPUs cuando es necesario. Cada experimento queda registrado en MLflow para que puedas auditar qué se probó, con qué hiperparámetros y qué resultados obtuvo.
4. Validación con datos reales
Antes de poner el modelo en producción, lo probamos con datos que no participaron en el entrenamiento. Si el rendimiento en validación difiere mucho del rendimiento en entrenamiento, investigamos posibles problemas de sobreajuste y ajustamos.
En esta fase también hacemos pruebas de estrés: ¿qué pasa si llegan datos incompletos? ¿Y si el volumen se duplica? ¿El modelo sigue respondiendo en menos de 200 milisegundos? Documentamos los límites y las condiciones bajo las cuales el modelo funciona correctamente.
5. Despliegue en producción
Empaquetamos el modelo como un servicio (API REST o función serverless) y lo integramos con tus sistemas existentes. Configuramos pipelines de datos para que el modelo reciba información actualizada sin intervención manual.
Instalamos paneles de monitoreo que muestran el rendimiento del modelo en tiempo real: latencia de respuesta, distribución de predicciones y alertas cuando la precisión cae por debajo de un umbral acordado. El despliegue típico toma de cinco a diez días.
6. Mantenimiento y mejora continua
Los modelos de IA no son estáticos. Los patrones en los datos cambian con el tiempo (lo que en la industria se llama data drift). Por eso ofrecemos contratos de mantenimiento mensual que incluyen monitoreo, reentrenamiento trimestral y soporte técnico.
Cada trimestre revisamos las métricas acumuladas y proponemos ajustes. Si el negocio cambia (un nuevo producto, un mercado diferente), adaptamos el modelo sin empezar de cero.
Lo que nos diferencia en la ejecución
Muchas consultoras entregan un modelo en un notebook y un informe en PDF. Nosotros entregamos software que funciona en producción. Hay una diferencia enorme entre ambas cosas.
Un modelo en un notebook necesita que alguien lo ejecute manualmente, copie los resultados y los pegue en otro sistema. Un modelo en producción se ejecuta solo, recibe datos nuevos cada hora (o cada minuto) y entrega predicciones directamente al sistema que las necesita.
Para llegar ahí hacemos ingeniería de software real: control de versiones con Git, pruebas automatizadas, contenedores Docker, integración continua. No es glamuroso, pero es lo que separa un prototipo de una herramienta útil.
También priorizamos la explicabilidad. Si un modelo recomienda rechazar una solicitud de crédito, el sistema debe poder decir por qué. Usamos técnicas como SHAP values y LIME para que las predicciones sean interpretables por personas sin formación técnica.
Resultados en números
Estos datos corresponden a proyectos completados entre 2020 y 2024 para clientes en Colombia, Panamá y México.
El tiempo medio de seis semanas incluye las fases de diagnóstico, exploración de datos y primer modelo funcional. Proyectos complejos (visión por computador, procesamiento de lenguaje natural con datos en español colombiano) pueden requerir entre diez y catorce semanas hasta el primer despliegue.