ML en producción, embebidos, no tercerizados.
Nos embebimos en el equipo de producto de una empresa de software empresarial respaldada por venture capital y pusimos en producción features de ML que usan todos los días equipos de operaciones de empresas Fortune 500: matching de entidades, clasificación inteligente, recomendaciones predictivas. Años dentro de su código, sus sprints, su proceso de release.
ML en el roadmap, no en producción.
Una empresa de software empresarial respaldada por venture capital tenía una tesis clara: el machine learning tenía que ser parte central del producto, no un experimento al costado. Su plataforma ya era de confianza para equipos de operaciones Fortune 500. Pero <b>el ML vivía en notebooks y prototipos, no en el producto que sus clientes usaban todos los días.</b>
Llevar ML a producción dentro de una plataforma empresarial madura es un problema distinto a entrenar un modelo. Tiene que sobrevivir a datos reales, encajar en un código que ya existe, pasar un proceso de release de verdad y seguir funcionando después del lanzamiento. <b>Eso es ingeniería de producto, no un proyecto de investigación</b>, y necesitaba gente capaz de trabajar dentro del equipo de producto, no al lado.
Features de ML que se lanzan y se sostienen.
Tres capacidades en producción, integradas en el producto y usadas todos los días por equipos de operaciones empresariales, más los pipelines y la medición de calidad que las mantienen honestas en el tiempo.
Registros que se resuelven solos
Un sistema de matching que vincula registros que refieren a la misma entidad real entre fuentes desprolijas e inconsistentes, convirtiendo duplicados y casi-coincidencias en una única vista confiable dentro del producto.
Clasificación inteligente a escala
Modelos que categorizan los datos que entran como lo haría un experto, para que los equipos de operaciones dejen de ordenar a mano y la plataforma rutee el trabajo correcto al lugar correcto de forma automática.
Recomendaciones predictivas en el flujo
Recomendaciones que aparecen donde realmente sucede el trabajo: predicen la próxima mejor acción y le dan a los equipos Fortune 500 una ventaja en lugar de una pantalla en blanco.
Pipelines y medición de calidad
La parte sin glamour que hace real al resto: pipelines de entrenamiento y serving, métricas de calidad y un loop de iteración para que el rendimiento de los modelos se mida y mejore en producción, no se asuma.
Dentro del equipo de producto, en su cadencia.
Embeber
Nos sumamos directo al equipo de producto: su código, su cadencia de sprints, sus herramientas y dailies. No un proveedor desde afuera; ingenieros desde adentro.
Construir
Construimos las features de ML como producto, definidas junto a sus PMs e ingenieros, escritas para encajar en la plataforma existente en vez de pegarse encima.
Lanzar
Todo salió por el proceso de release del propio cliente: revisado, testeado y desplegado a producción para clientes Fortune 500, y después medido e iterado.
Transferir
Hoy su equipo es dueño y opera los modelos y los pipelines. A lo largo de un trabajo de varios años, la capacidad quedó en casa, no con nosotros.
ML que la empresa realmente posee.
El ML dejó de ser una línea del roadmap y pasó a ser parte del producto. El matching de entidades, la clasificación inteligente y las recomendaciones predictivas corren hoy en producción y las usan todos los días equipos de operaciones Fortune 500: salieron por el proceso de release del cliente, se miden por calidad y se iteran como cualquier otra parte de la plataforma.
Porque trabajamos embebidos y no tercerizados, nada se fue con nosotros. Sus ingenieros y PMs son dueños y operan los modelos y pipelines: pueden extenderlos, reentrenarlos y lanzar los próximos sin nosotros en la sala. Ese es el sentido de embeberse: el equipo termina más capaz que cuando empezamos, después de varios años de trabajo.
¿Tenés ML que querés en producción, no en slides?
Agendá una llamada de 30 minutos. Mapeamos dónde encaja de verdad el ML en tu producto, qué hace falta para lanzarlo y cómo termina siendo de tu equipo.