Capacidades
Machine learning, optimización y modelos de decisión
Convertir datos en predicciones, señales y decisiones que puedan medirse y mejorar.
En una página
Diseñamos modelos de clasificación, ranking, forecasting, detección de anomalías, visión, series temporales, optimización y decisión sobre datos estructurados y no estructurados. Seleccionamos modelos y métodos según el problema real, el coste del error, la incertidumbre, la latencia y la capacidad de medir después el resultado.
- 01Empezar por la decisión. Antes de seleccionar un método representamos la situación que la organización quiere mejorar.
- 02Reglas, cálculos y modelos bajo un mismo criterio. Una condición estable puede expresarse como regla.
- 04Datos disponibles en el momento correcto. Entrenar con información que solo aparece después de la decisión produce un modelo que no puede utilizarse.
Una organización necesita comprender qué decisión puede mejorar, qué información estará disponible cuando deba tomarla y qué consecuencias tendrá utilizar la señal de una forma u otra.
Un modelo puede estimar una probabilidad, anticipar una demanda, ordenar casos, detectar una anomalía o reconocer un patrón. La decisión aparece cuando esa salida se combina con objetivos, alternativas, restricciones, capacidad disponible, costes de error, incertidumbre, reglas, autoridad, una política de actuación y una señal posterior de resultado.
Construimos modelos y sistemas de decisión alrededor de esa relación.
Trabajamos con datos tabulares, texto, imágenes, audio, señales y series temporales. Combinamos machine learning, estadística, investigación operativa, simulación y reglas para producir una señal que pueda entrar de forma útil en el trabajo.
Empezar por la decisión
Antes de seleccionar un método representamos la situación que la organización quiere mejorar.
Esta representación impide que el proyecto optimice una métrica técnica desconectada del uso.
Una predicción de mayor precisión puede resultar menos útil si llega tarde, si exige datos que todavía no existen, si produce demasiados casos para revisar o si concentra los errores en situaciones de alto impacto.
La decisión completa es el objeto de diseño y evaluación.
Reglas, cálculos y modelos bajo un mismo criterio
Una condición estable puede expresarse como regla. Un cálculo puede resolver una relación exacta. Un modelo aprende patrones que sería difícil programar de forma explícita. Un optimizador elige entre alternativas bajo restricciones.
Utilizamos cada mecanismo donde aporta una función clara. Esto permite construir sistemas híbridos:
- una regla protege una restricción;
- un modelo estima riesgo o prioridad;
- un optimizador asigna capacidad;
- una persona decide los casos de alto impacto;
- un workflow conserva el estado;
- la observabilidad registra el resultado.
La complejidad técnica se justifica por una mejora demostrable en la decisión o por una capacidad que una alternativa más sencilla no puede ofrecer.
Qué construimos
Clasificación
Asignar un caso a una categoría, estado o tratamiento: clasificación documental, tipificación de incidencias, identificación de intención, categorización de contenido, asignación de rutas, detección de condiciones y apoyo a control de calidad.
La evaluación considera el coste desigual de los errores y la capacidad de derivar casos inciertos.
Ranking y priorización
Ordenar elementos según relevancia, urgencia, oportunidad, riesgo o valor esperado: priorización de expedientes, orden de revisión, selección de fuentes, ranking de alternativas, atención de incidencias, asignación de recursos, recuperación de conocimiento y selección de contenidos.
Un ranking se evalúa por la calidad de las primeras posiciones y por el trabajo que permite organizar, además de por métricas agregadas.
Forecasting y series temporales
Anticipar demanda, carga, riesgo, evolución, capacidad o comportamiento.
Diseñamos el forecasting con disciplina temporal:
- cada variable debe existir en el momento de la predicción;
- el entrenamiento respeta el orden del tiempo;
- los periodos de evaluación representan regímenes diferentes;
- los horizontes corresponden a decisiones reales;
- la incertidumbre se expresa de una forma que pueda utilizarse;
- la actualización se adapta a la velocidad del fenómeno.
Podemos combinar modelos estadísticos, gradient boosting y arquitecturas especializadas de series temporales.
Detección de anomalías y cambios
Identificar observaciones, patrones o regímenes que merecen atención.
La anomalía se define respecto a un contexto. Un valor puede ser normal para una entidad y extraño para otra; una secuencia puede ser plausible de forma aislada y problemática dentro de un proceso.
El sistema puede detectar desviaciones, rupturas de patrón, cambios de distribución, comportamientos infrecuentes, incoherencias entre fuentes, transiciones inesperadas y señales físicas fuera de tolerancia. El resultado se integra con investigación, explicación y respuesta operacional.
Scoring y estimación de probabilidad
Producir una señal calibrada sobre riesgo, propensión, calidad, relevancia o probabilidad de un evento.
Un score necesita una definición clara del evento, un horizonte, calibración, segmentos de evaluación, umbrales, una política y seguimiento posterior.
La cifra ayuda a comparar o decidir. La interfaz explica qué significa, qué incertidumbre contiene y qué acción admite.
Análisis de escenarios
Comparar alternativas bajo diferentes supuestos: demanda, capacidad, precios, tiempos, recursos, restricciones, cambios de política, eventos externos, fallos y respuestas posibles.
Los escenarios ayudan a comprender sensibilidad y trade-offs. También revelan qué supuestos controlan realmente el resultado.
Optimización
Elegir una asignación, una secuencia, un calendario, una ruta, una política o un conjunto de decisiones dentro de restricciones: tiempo, coste, calidad, riesgo, capacidad, energía, prioridades, dependencias, permisos, seguridad, carga humana, equidad y reversibilidad.
El objetivo se formula junto a las personas responsables. Una función matemática siempre representa una elección sobre qué se valora y qué se protege. La optimización hace explícitos objetivos y restricciones y permite comparar las consecuencias de distintas prioridades.
Modelos multimodales
Relacionar texto, imágenes, audio, vídeo y señales cuando el problema necesita combinar varias formas de observación: análisis documental, visión y contexto textual, correspondencia entre narración y vídeo, inspección, percepción física, búsqueda multimodal y extracción de información en formatos complejos.
La evaluación separa la calidad de cada modalidad y la coherencia entre ellas.
Datos disponibles en el momento correcto
Entrenar con información que solo aparece después de la decisión produce un modelo que no puede utilizarse. Por eso construimos una línea temporal explícita:
Cada variable se asigna a un momento. Los datos posteriores se reservan para construir la etiqueta, evaluar o aprender.
Esta disciplina es especialmente importante en forecasting, riesgo, priorización, operaciones y procesos con varias actualizaciones.
Baselines que representan el trabajo actual
La comparación principal es la forma en que la organización decide hoy: una regla, un umbral, una heurística, una media histórica, un modelo ya desplegado, el criterio de un equipo, una combinación de filtros y revisión o una política de asignación.
El nuevo sistema se compara bajo las mismas condiciones de información, tiempo y capacidad.
Una mejora técnica adquiere valor cuando se traduce en una decisión mejor preparada, más consistente, más rápida, más barata o más segura.
Incertidumbre y calibración
La incertidumbre forma parte de la salida.
Trabajamos para que una probabilidad del setenta por ciento tenga un significado empírico consistente dentro del ámbito evaluado. Observamos calibración por segmentos, horizontes y periodos.
La incertidumbre puede utilizarse para ajustar umbrales, derivar casos, pedir información, elegir otro modelo, mostrar un intervalo, reducir el alcance, abstenerse o solicitar criterio humano.
La interfaz presenta el significado que la decisión necesita, junto al intervalo de confianza que la cifra admite.
Del modelo a la política
Un score o forecast se convierte en una decisión mediante una política.
La política define qué acción corresponde a cada rango, qué restricciones prevalecen, qué casos necesitan revisión, qué capacidad existe, qué ocurre cuando faltan datos, cómo se resuelven empates, cuándo se actualiza, qué se registra, cómo se revierte y qué resultado se observará.
Podemos optimizar umbrales y políticas según costes, capacidad y objetivos múltiples.
La política permanece examinable y versionada. Un cambio en el modelo conserva visible su efecto sobre la autoridad y el recorrido.
Optimizar el sistema completo
Una métrica local puede mejorar mientras el sistema empeora:
- priorizar más casos de alto riesgo puede saturar la revisión;
- reducir el tiempo por tarea puede aumentar la cola siguiente;
- maximizar utilización puede alargar el ciclo;
- elevar la automatización puede concentrar excepciones complejas en pocas personas;
- optimizar coste puede reducir estabilidad o capacidad de explicación.
Por eso evaluamos el efecto sobre el recorrido completo.
La función de objetivo puede combinar calidad, coste, tiempo, riesgo, carga, capacidad, satisfacción, estabilidad, recuperación y distribución del resultado. También declaramos restricciones que la optimización debe respetar; algunas son técnicas y otras representan decisiones organizativas.
Participación humana
Las personas intervienen en la formulación y en el uso.
Durante el diseño definen el objetivo, explican el proceso actual, identifican costes de error, establecen restricciones, revisan datos y etiquetas, señalan cambios de régimen, discuten trade-offs y deciden qué casos merecen autoridad humana.
Durante la operación reciben recomendaciones, aportan información, revisan casos inciertos, corrigen, autorizan, cambian la política y explican resultados inesperados.
La interacción se diseña para que el criterio humano se concentre donde aporta una diferencia, con contexto suficiente y una carga sostenible.
Integración dentro del trabajo
El modelo se conecta con APIs, ERP, aplicaciones, workflows, agentes, sistemas de reporting, herramientas de análisis, interfaces de revisión, sistemas físicos y observabilidad.
La integración determina latencia, disponibilidad, permisos, frecuencia de actualización y capacidad de respuesta. También permite registrar si la recomendación se utilizó, qué acción se tomó y qué resultado apareció.
Seguimiento y aprendizaje
Después de desplegar observamos calidad predictiva, calibración, deriva, cambios de distribución, latencia, coste, disponibilidad, decisiones humanas, correcciones, tasa de uso, efecto operativo, segmentos con rendimiento diferente y cambios de política.
El reentrenamiento se activa por evidencia y por necesidad del proceso.
Cada versión conserva datos, variables, código, parámetros, métricas, periodo, política asociada, condiciones de uso y decisiones de despliegue.
Aplicaciones posibles
Priorización operacional
Ordenar solicitudes, incidencias, documentos o casos según urgencia, impacto y capacidad.
Forecasting de demanda y carga
Anticipar volúmenes, necesidades y recursos para planificar.
Riesgo y anomalías
Detectar condiciones que merecen investigación o un recorrido diferente.
Recomendación y siguiente acción
Proponer alternativas dentro de políticas y contexto.
Asignación y planificación
Distribuir tareas, recursos, turnos, modelos o agentes bajo restricciones.
Optimización editorial
Seleccionar fuentes, formatos, tiempos y modelos para equilibrar calidad, coste y latencia.
Inteligencia financiera
Combinar señales, escenarios, forecasting y riesgo dentro de sistemas informativos y de decisión.
Inteligencia Física
Estimación de estado, planificación, control predictivo, rutas y secuencias bajo restricciones físicas.
Cómo evaluamos
- Métricas predictivas
- Precisión, recall, F1, AUC, error absoluto, error cuadrático, métricas de ranking o forecasting según el problema.
- Calibración
- Correspondencia entre probabilidad estimada y frecuencia observada.
- Coste de decisión
- Valoración diferente de errores, retrasos, abstenciones y derivaciones.
- Validación temporal
- Evaluación sobre periodos posteriores y regímenes distintos.
- Baseline
- Comparación con reglas, heurísticas y práctica actual.
- Robustez
- Sensibilidad a ruido, datos faltantes, cambios de distribución y segmentos.
- Política
- Impacto de umbrales, capacidad, restricciones y revisión humana.
- Operación
- Latencia, coste, disponibilidad, integración y capacidad de recuperación.
- Resultado
- Efecto sobre tiempo, calidad, riesgo, carga, recursos y otras métricas de negocio.
Condiciones y límites
Los datos históricos contienen las decisiones, sesgos y omisiones del proceso que los produjo. El modelado debe hacer visibles esas condiciones y evaluar cómo afectan a distintos casos.
Una relación predictiva permite anticipar; una explicación causal necesita un diseño y una evidencia diferentes.
Los cambios de régimen pueden deteriorar la utilidad antes de que una métrica agregada lo haga evidente. El seguimiento combina datos, conocimiento de dominio y señales operativas.
La decisión sobre el objetivo, los trade-offs y la autoridad pertenece a la organización. El sistema ayuda a representarla, aplicarla y aprender de sus resultados.
Sistemas relacionados
- Finaz: forecasting, clasificación, ranking, riesgo y reporting financiero.
- ERP-Bots: priorización, anomalías y políticas dentro de operaciones sobre ERPs y aplicaciones de negocio.
- SuperSocrates: detección de huecos y discrepancias entre fuentes, decisiones y supuestos, y elección de la siguiente pregunta útil.
- SuperQuestions: representación y gestión de preguntas, evidencia, decisiones, dependencias y trabajo de proyectos, incluida la optimización de ese trabajo.
- Visort, MagdalenOS y MontojOS: percepción, estimación, planificación y control.
- Inteligencia para decisiones: aplicación de estas capacidades a decisiones concretas.
Cierre
El machine learning aporta señales. La optimización convierte objetivos y restricciones en elecciones. El sistema de decisión integra ambas funciones con políticas, personas y resultados observables.
Qué representamos antes de elegir un método
- 01¿qué decisión se toma hoy?
- 02¿quién la toma?
- 03¿qué alternativas existen?
- 04¿qué información se conoce en ese momento?
- 05¿qué información llega después?
- 06¿qué objetivo se quiere mejorar?
- 07¿qué restricciones deben respetarse?
- 08¿qué coste posee cada tipo de error?
- 09¿qué capacidad tiene el proceso para actuar sobre la recomendación?
- 10¿qué resultado permitirá aprender?
- 11¿qué casos necesitan criterio humano?
- 12¿cuándo conviene abstenerse?