data
Industrializa y escala tus datos
Automation | Governance | Culture | Knowledge Graphs
Automation
Nuestra experiencia nos dice que desarrollar y poner en explotación modelos de Machine Learning es relativamente rápido y sencillo, pero mantenerlos a lo largo del tiempo es una tarea compleja. Es decir, existe un salto cualitativo muy importante entre la fase más experimental —los primeros modelos, obtenidos casi como pruebas de concepto— y una fase de madurez con una completa industrialización del ciclo de vida de los modelos que, además, ya están incrustados en los procesos de negocio de una organización.
La deuda técnica que aparece en este tipo de sistemas basados en ML con respecto a los tradicionales tiene que ver con la enorme influencia de los datos en el comportamiento del sistema (data drifting) y con la necesidad de trabajar sobre una arquitecturas distribuidas complejas y un gran arco de tecnologías en producción (pipelines y linaje de datos, experimentación, feature engineering, monitorización de los flujos, múltiples tecnologías para automatización, etc.).
En neuroons somos especialistas en las herramientas, frameworks y prácticas que nos permiten automatizar ese ciclo de vida para hacer machine learning a escala:
01
Reproducibilidad y trazabilidad de los experimentos con datos.
02
Simplificación del modelado con arquitecturas de automatización y AutoML.
03
Máxima reutilización con feature stores.
04
Operativización de los modelos en infraestructura escalable y con soporte de A/B testing.
05
Supervisión de modelos para detección de concept drifting.
06
Automatización del ciclo de vida con las nuevas herramientas para MLOps.
Gobernance
Solo la mitad de las organizaciones y empresas con las que trabajamos tienen establecidos procesos formales de gestión de sus datos a nivel corporativo. En el resto, el arco va desde aquellas que disponen de estrategias tácticas a nivel departamental hasta las menos que no cuentan con ninguna iniciativa al respecto.
Uno de los obstáculos que identificamos desde neuroons es la dificultad para justificar presupuestariamente una iniciativa que no tiene un impacto inmediato sobre el desempeño del negocio. Y todavía más si no existe una presión regulatoria por el carácter de los datos manejados.
Desde neuroons aportamos aproximaciones pragmáticas para este problema usando tecnología propia y open source con enfoque de grafos, fácilmente integrable en la arquitectura de datos actual para controlar la responsabilidad sobre los datos y su linaje.
Culture
Nuestros años de experiencia trabajando en diferentes empresas que adoptan las prácticas basadas en datos nos han permitido asistir en directo a múltiples enfoques en cuanto a cómo convertirse con éxito en data-driven. Ello nos da una visión de cómo abordar el cambio cultural y qué dimensiones es necesario trabajar y cuidar.
Desde neuroons podemos aportar dicha experiencia para ayudar en varios frentes para la gestión del cambio:
01
Evaluación
02
Organización centrada en data
03
Estrategia tecnológica
04
Estrategia de comunicación y marketing
05
Formación interna y captación de talento externo
Knowledge Graphs
Los análisis para prevención de fraude con aproximaciones y tecnologías más tradicionales tienen un coste computacional muy elevado y la primera consecuencia es que el rendimiento de todos los procesos de gestión asociados es muy pobre.
El enfoque más óptimo pasa por clasificar los datos disponibles por dominio de conocimiento, y por cada dominio modelar y representar la información disponible en forma de grafos. Sobre tales grafos es más sencillo y menos costoso identificar y codificar los patrones de actividad anómala o fraudulenta. Y en última instancia se pueden aplicar algoritmos de Machine Learning para clasificar comportamientos e incluso predecir comportamientos futuros.
Somos especialistas en analítica basada en grafos y en la aplicación de algoritmos de Machine Learning para clasificación y predicción de comportamientos anómalos. Estas capacidades las podemos aplicar a ámbitos como el de ciberseguridad o la prevención de delitos financieros, blanqueo, etc.
Casos de uso
¿Deseas saber cómo se pueden aplicar estas tecnologías a tu negocio? Inspírate leyendo algunos de nuestros casos de uso.
