Preguntas frecuentes sobre Artificial Intelligence

Hemos recopilado las dudas que más nos plantean los clientes antes de empezar un proyecto. Si la tuya no aparece aquí, escríbenos y te respondemos en menos de un día laborable.

Sobre nuestros servicios

Depende del alcance. Una auditoría de datos de dos semanas cuesta entre 3.000 y 5.000 €. Un proyecto completo de análisis predictivo o automatización suele situarse entre 15.000 y 60.000 €, incluyendo prototipo, despliegue en producción y tres meses de soporte. Proyectos más grandes, como un sistema de recomendación para un e-commerce con millones de usuarios, pueden superar esa franja. Siempre entregamos un presupuesto cerrado antes de empezar la fase de desarrollo.

No siempre. Para modelos de clasificación supervisada recomendamos al menos 5.000 registros etiquetados. Pero hay técnicas como transfer learning y data augmentation que permiten trabajar con conjuntos más pequeños. En la auditoría inicial evaluamos la calidad y el volumen de tus datos y te decimos con franqueza si son suficientes o si conviene esperar a acumular más antes de invertir en un modelo.

Un proyecto estándar tiene tres fases: auditoría (2 semanas), prototipo (4-6 semanas) y paso a producción (2-4 semanas). En total, entre 8 y 12 semanas desde la firma del contrato hasta tener el modelo funcionando con datos reales. Proyectos con múltiples modelos interconectados o integraciones complejas con sistemas legacy pueden extenderse a 4 o 5 meses.

Python es nuestro lenguaje principal. Para machine learning clásico usamos scikit-learn y XGBoost. Para deep learning, TensorFlow y PyTorch. Los pipelines de datos los montamos con Apache Airflow o Prefect, y desplegamos en AWS (SageMaker, Lambda) o Google Cloud (Vertex AI). Para procesamiento de lenguaje natural trabajamos con la API de OpenAI y con modelos open source como Llama y Mistral, según las necesidades de privacidad del cliente.

Sí. La auditoría de datos es un entregable independiente. Al finalizarla recibes un informe con el diagnóstico, las oportunidades detectadas y una estimación del retorno esperado. Si decides no continuar, pagas solo la auditoría y te quedas con el informe. Muchos clientes usan ese documento para justificar la inversión ante su comité de dirección.

Es algo que ocurre con frecuencia y se llama model drift. Los datos del mundo real cambian: los clientes compran de forma distinta en verano que en invierno, o un cambio regulatorio altera los patrones de transacciones. Por eso configuramos alertas automáticas que detectan cuándo la precisión del modelo baja de un umbral definido. Nuestro contrato de mantenimiento incluye reentrenamiento periódico y ajuste de hiperparámetros para que el modelo se adapte.

Firmamos un acuerdo de confidencialidad (NDA) antes de acceder a cualquier dato. Trabajamos en entornos aislados dentro de tu propia infraestructura cloud o en cuentas dedicadas que creamos para el proyecto. Los datos nunca se mezclan con los de otros clientes. Cumplimos con el RGPD y, si tu sector lo exige, con normativas específicas como PCI DSS para datos de pago o la normativa sanitaria para datos clínicos.

Trabajamos con los dos perfiles. Para pymes solemos recomendar soluciones basadas en APIs existentes (como la de OpenAI para chatbots o Google Cloud Vision para clasificación de imágenes), porque reducen el coste de desarrollo. Para empresas grandes construimos modelos a medida y los integramos con sus sistemas internos. El tamaño de la empresa no importa tanto como la calidad del problema que quieran resolver y la disponibilidad de datos.

Conceptos que conviene conocer

Antes de contratar un servicio de IA, ayuda entender algunos términos que aparecen en las conversaciones técnicas. Aquí van los más relevantes, explicados sin jerga innecesaria.

Machine learning vs. deep learning

Machine learning engloba cualquier algoritmo que aprende patrones a partir de datos. Deep learning es un subconjunto que usa redes neuronales con muchas capas. La diferencia práctica: deep learning funciona muy bien con imágenes, audio y texto, pero necesita más datos y más potencia de cálculo. Para datos tabulares (ventas, transacciones, inventario), un modelo de machine learning clásico como XGBoost suele ser más rápido de entrenar y más fácil de interpretar.

¿Qué es un LLM?

Un Large Language Model (modelo de lenguaje grande) es una red neuronal entrenada con miles de millones de textos para generar y comprender lenguaje natural. GPT-4 de OpenAI y Llama de Meta son ejemplos conocidos. En proyectos empresariales los usamos para resumir documentos, clasificar correos electrónicos, generar borradores de respuestas a clientes y extraer información estructurada de textos libres. No son infalibles: a veces generan respuestas incorrectas, por lo que siempre diseñamos mecanismos de verificación.

MLOps: operaciones de machine learning

MLOps es el conjunto de prácticas para gestionar modelos de IA en producción. Incluye versionado de datos y modelos, pipelines de reentrenamiento automático, monitorización de métricas y despliegue continuo. Sin MLOps, un modelo que funciona bien en un notebook de Jupyter puede fallar silenciosamente cuando los datos reales cambian. Nosotros configuramos estos pipelines desde el primer día del proyecto.

Transfer learning

En lugar de entrenar un modelo desde cero, reutilizamos uno que ya ha aprendido patrones generales (por ejemplo, reconocer formas en imágenes) y lo ajustamos con tus datos específicos. Esto reduce drásticamente el tiempo de entrenamiento y la cantidad de datos necesarios. Es especialmente útil en visión por computador y procesamiento de lenguaje natural, donde los modelos base ya han procesado millones de ejemplos.

¿Tu pregunta no aparece aquí?

Escríbenos directamente. Respondemos en menos de 24 horas laborables y la primera consulta de 30 minutos es gratuita. Sin compromiso.

[email protected]

+34 91 065 38 49

Ir al formulario de contacto