Las seis fases de cada proyecto
Todos nuestros proyectos siguen una estructura común, aunque la duración de cada fase varía según la complejidad del problema y la cantidad de datos disponibles. Un proyecto típico dura entre 8 y 16 semanas.
Diagnóstico inicial
Empezamos con una videollamada o reunión presencial de 60 a 90 minutos. Queremos entender tres cosas: qué problema de negocio quieres resolver, qué datos tienes disponibles y qué resultado consideras un éxito. No hablamos de tecnología en esta fase; hablamos de tu operativa diaria.
Al terminar redactamos un documento de una página con nuestra valoración: si creemos que la IA puede resolver el problema, qué enfoque técnico proponemos y una estimación de plazos. Si no vemos viabilidad, te lo decimos directamente y no cobramos nada por esta fase.
Auditoría de datos
Revisamos los datos que tienes: bases de datos, hojas de cálculo, documentos, imágenes, logs de sistemas. Evaluamos la calidad, el volumen y los posibles sesgos. En muchos casos los datos necesitan limpieza o enriquecimiento antes de poder entrenar un modelo.
Esta fase dura entre 3 y 10 días laborables. Al final entregamos un informe con un mapa de los datos disponibles, las lagunas que hemos encontrado y las recomendaciones para cubrirlas. A veces la solución es tan simple como empezar a registrar un campo que hasta ahora no se guardaba.
Diseño de la solución
Con los datos evaluados, diseñamos la arquitectura técnica. Elegimos el tipo de modelo (clasificación, regresión, detección de objetos, generación de texto), la infraestructura de entrenamiento y el entorno de despliegue. También definimos las métricas de éxito: precisión mínima, latencia máxima, coste operativo mensual.
Te presentamos el diseño en un documento técnico con diagramas. Si tu equipo tiene perfil técnico, hacemos una sesión de revisión conjunta. Si no, lo explicamos en lenguaje llano. Necesitamos tu aprobación antes de pasar a la siguiente fase.
Desarrollo y entrenamiento
Aquí es donde construimos el modelo. Preparamos los datos, entrenamos varias versiones del modelo con diferentes hiperparámetros y seleccionamos la que mejor cumple las métricas acordadas. Todo el código se versiona en un repositorio Git al que puedes acceder en cualquier momento.
Durante esta fase hacemos una demo semanal de 30 minutos para mostrarte el progreso. Si los resultados preliminares no son satisfactorios, ajustamos el enfoque. Esta fase suele durar entre 3 y 6 semanas, dependiendo de la complejidad.
Despliegue e integración
Desplegamos el modelo en el entorno que hayamos acordado: una API en la nube, un contenedor Docker en tus servidores, o directamente integrado en tu aplicación existente. Configuramos monitorización para detectar degradación del rendimiento y alertas automáticas si la precisión baja de un umbral.
También preparamos la documentación técnica: cómo funciona el modelo, cómo se actualiza, qué hacer si falla. Si tu equipo va a operar el sistema, les damos una formación práctica de medio día.
Mantenimiento y mejora continua
Los modelos de IA no son software estático. Los datos del mundo real cambian y el modelo necesita reentrenarse periódicamente. Ofrecemos contratos de mantenimiento mensuales que incluyen monitorización, reentrenamiento programado y soporte técnico.
El coste del mantenimiento depende de la frecuencia de reentrenamiento y del volumen de datos nuevos. Para la mayoría de nuestros clientes, el mantenimiento mensual cuesta entre un 8 % y un 15 % del coste del proyecto inicial.
Qué incluye y qué no
Incluido en todos los proyectos
- Diagnóstico inicial gratuito de 60-90 minutos
- Informe de auditoría de datos con recomendaciones
- Documento de diseño técnico con métricas de éxito
- Acceso al repositorio de código durante y después del proyecto
- Demos semanales de progreso
- Documentación técnica y manual de operación
- Formación presencial o remota para tu equipo
- 30 días de soporte post-despliegue sin coste adicional
Fuera del alcance estándar
- Desarrollo de aplicaciones web o móviles completas (podemos recomendar partners)
- Migración de infraestructura cloud (trabajamos con la que ya tienes)
- Etiquetado masivo de datos: lo coordinamos pero el coste del etiquetado se factura aparte
- Hardware especializado (GPUs, cámaras industriales): te asesoramos en la compra pero no lo vendemos
Herramientas y tecnologías que usamos
No estamos casados con ningún proveedor. Elegimos la herramienta que mejor se adapta a cada problema. Dicho esto, estas son las tecnologías con las que más experiencia acumulamos:
Modelos y frameworks
PyTorch para la mayoría de proyectos de deep learning. Scikit-learn cuando un modelo clásico (random forest, gradient boosting) es suficiente. Hugging Face Transformers para procesamiento de lenguaje natural. OpenCV y YOLO para visión por computador.
Para modelos de lenguaje grandes (LLM), trabajamos con APIs de OpenAI y Anthropic, y también con modelos open source como Llama y Mistral cuando el cliente prefiere no enviar datos a terceros.
Infraestructura
Google Cloud Platform y Amazon Web Services son nuestros entornos habituales. Usamos Vertex AI o SageMaker para pipelines de entrenamiento, y Cloud Run o ECS para servir modelos como APIs. Docker en todos los despliegues para garantizar reproducibilidad.
Para clientes que necesitan despliegue on-premise, configuramos servidores con Ubuntu y NVIDIA CUDA. Hemos desplegado en fábricas sin conexión a internet usando dispositivos edge como NVIDIA Jetson.
