Aprendizaje automático

Depende del problema, no de una cantidad fija. Lo importante es contar con un histórico suficiente para cubrir los patrones que el modelo debe aprender, incluidas las estacionalidades y los eventos poco frecuentes, y con etiquetas fiables del resultado que quiere predecir. Lo comprobamos durante la revisión de datos y le decimos con claridad si los datos todavía no permiten alcanzar el objetivo, y qué recopilar para que lo permitan.

Sí, y lo diseñamos así desde el principio cuando las decisiones afectan a personas, como en el crédito o los siniestros. Preferimos modelos cuyo razonamiento pueda explicarse, damos los motivos de cada resultado individual y documentamos los datos, las variables, la validación y los límites de cada versión del modelo. Esa documentación respalda sus revisiones de riesgo de modelo y regulatorias.

Acordamos con usted qué grupos y resultados son relevantes para la decisión y medimos las tasas de error y los resultados de cada uno con datos reservados. Cuando aparecen diferencias, investigamos los datos y las variables que las originan y analizamos las contrapartidas con su equipo. Las comprobaciones de equidad se repiten en cada reentrenamiento, no solo en el lanzamiento.

La monitorización lo muestra antes de que lo note el negocio. Seguimos los datos de entrada y los resultados del modelo frente a lo que vio durante el entrenamiento, y emitimos una alerta cuando cambian. Su equipo ve entonces la evidencia y decide si reentrenar, ajustar umbrales o volver a las reglas. El reentrenamiento se ejecuta con el mismo pipeline probado que el modelo original.

Los factores principales son el estado y la accesibilidad de sus datos, si existen etiquetas o hay que crearlas, con cuántos sistemas debe conectarse el modelo y el nivel de explicación y documentación que esperan sus reguladores. Los costos de operación dependen del volumen de predicciones y de si los resultados se necesitan en tiempo real o por lotes. Estimamos una vez terminada la revisión de datos.

La referencia y el primer modelo validado llegan pronto, para que pueda juzgar su valor antes del trabajo de producción. Llegar a producción depende del acceso a los datos, de la integración con los sistemas que usan el resultado, de la ejecución en modo sombra junto al proceso actual y de cualquier revisión de riesgo de modelo. Tras la revisión de datos le entregamos un plan con los puntos de decisión señalados.

La propiedad intelectual del trabajo que desarrollamos para usted es suya desde el primer commit, sin ningún trámite de cesión al final. Esto incluye los modelos entrenados, el código de las variables, los pipelines y la documentación producidos para usted, y sus datos siguen siendo suyos. Las herramientas de XSIS que ya existían antes siguen siendo nuestras y se le conceden bajo licencia. Las bibliotecas de código abierto que usamos siguen sujetas a sus propias licencias, que dejamos registradas para usted.