Cómo funciona un proyecto de Artificial Intelligence

Desde la primera llamada hasta el modelo funcionando en producción, estos son los pasos que seguimos. Sin sorpresas, con plazos claros.

Las seis fases de cada proyecto

Un proyecto típico dura entre 6 y 14 semanas. Proyectos más complejos, como los de visión artificial con hardware dedicado, pueden llegar a 20 semanas. Aquí describimos cada fase con los plazos habituales.

1

Diagnóstico inicial (semana 1)

Empezamos con una videollamada de 60 minutos donde nos cuentas el problema de negocio que quieres resolver. No necesitas saber nada de IA: lo que nos interesa es entender la decisión que tomas hoy de forma manual o intuitiva y que podría mejorar con datos.

Después de esa llamada, revisamos los datos que tienes disponibles. Pedimos una muestra anonimizada, normalmente un CSV o acceso de lectura a una base de datos de prueba. En 3-4 días laborables te enviamos un informe de viabilidad: si el proyecto tiene sentido, qué enfoque técnico recomendamos y una estimación de coste y plazo.

Si el proyecto no es viable, te lo decimos. Hemos rechazado proyectos cuando los datos eran insuficientes o cuando una regla de negocio simple resolvía el problema sin necesidad de un modelo de machine learning.

2

Preparación de datos (semanas 2-3)

Esta fase suele ser la más laboriosa. Conectamos con tus fuentes de datos reales, limpiamos registros duplicados o incompletos, y creamos las variables que alimentarán el modelo. En un proyecto de predicción de demanda, por ejemplo, esto incluye construir variables como la media móvil de ventas de las últimas 12 semanas, indicadores de festivos, datos meteorológicos y promociones activas.

Documentamos cada transformación en un pipeline reproducible. Si mañana llegan datos nuevos, el pipeline los procesa automáticamente sin intervención manual.

3

Desarrollo del modelo (semanas 3-5)

Entrenamos varios modelos candidatos y los comparamos con las métricas que definimos contigo en la fase 1. Para un problema de clasificación, medimos precisión, recall y F1-score. Para regresión, usamos MAE y RMSE. Probamos desde modelos simples, como regresión logística, hasta gradient boosting y redes neuronales.

No siempre gana el modelo más complejo. En un proyecto reciente de scoring crediticio, un modelo XGBoost con 14 variables superó a una red neuronal profunda con 200 variables, porque los datos tenían muchos valores ausentes que la red no manejaba bien.

Te presentamos los resultados en una reunión de 45 minutos con gráficos claros, no con jerga técnica. Tú decides qué modelo avanza a producción.

4

Validación y pruebas (semana 5-6)

Antes de desplegar, sometemos el modelo a pruebas rigurosas. Usamos datos que el modelo nunca ha visto para simular su rendimiento en condiciones reales. Comprobamos que no haya sesgos: por ejemplo, que un modelo de selección de candidatos no discrimine por edad o género.

Si el modelo no supera los umbrales de rendimiento acordados, volvemos a la fase 3. Ha pasado en 4 de nuestros 37 proyectos, y en los cuatro casos la segunda iteración sí cumplió los objetivos.

5

Despliegue en producción (semana 6-8)

Empaquetamos el modelo en un contenedor Docker y lo desplegamos en tu infraestructura o en un servicio cloud que ya uses (AWS, Azure, Google Cloud). Creamos una API REST documentada para que tus sistemas internos puedan hacer consultas al modelo.

En un proyecto de automatización de categorización de productos, la API recibía una descripción de texto y devolvía la categoría asignada en menos de 200 milisegundos. La integramos directamente con el PIM del cliente mediante un webhook.

6

Monitorización y mantenimiento (continuo)

Un modelo de IA se degrada con el tiempo si los datos cambian. Configuramos alertas automáticas que detectan caídas de rendimiento: si la precisión baja más de un 5 % respecto al valor de referencia, recibimos una notificación y reentrenamos el modelo con datos recientes.

Ofrecemos contratos de mantenimiento trimestrales que incluyen reentrenamiento, ajuste de hiperparámetros y soporte técnico por email y videollamada. El coste típico del mantenimiento es un 15-20 % del coste del proyecto inicial por año.

Qué recibes al final del proyecto

Cada proyecto incluye estos entregables, sin coste adicional.

Código fuente

Repositorio Git con todo el código del pipeline de datos, entrenamiento y API de inferencia. Documentado con docstrings y un README detallado. Licencia MIT: es tuyo para siempre.

Informe técnico

Documento de 15-25 páginas con la descripción del problema, los datos utilizados, los modelos evaluados, las métricas de rendimiento y las recomendaciones para el futuro. Escrito para que lo entienda tanto tu equipo técnico como tu dirección general.

Guía de uso

Manual práctico para el equipo que va a usar el modelo en el día a día. Incluye ejemplos de llamadas a la API, interpretación de las respuestas y pasos a seguir cuando el modelo devuelve un resultado inesperado.

Panel de monitorización

Dashboard en Grafana o similar que muestra en tiempo real las métricas del modelo: número de predicciones por hora, latencia media, distribución de las respuestas y alertas de degradación. Accesible desde cualquier navegador.

¿Listo para empezar?

La primera conversación es gratuita y sin compromiso. Cuéntanos qué problema quieres resolver y te diremos en 48 horas si podemos ayudarte y cuánto costaría.

Solicitar diagnóstico gratuito

O llámanos directamente al +34 94 308 02 33