Descripción
Descubra cómo Novacomp transformó la infraestructura de Machine Learning de una importante Fintech en el sector bancario, resolviendo los retos de visibilidad sobre predicciones en producción y optimizando el ciclo de vida de los modelos. A través de una arquitectura basada en microservicios, monitoreo orientado a eventos y esquemas de experimentación en tiempo real, se logró estandarizar los despliegues y maximizar el rendimiento operativo del sistema de préstamos integrados.
¿Qué descubrirá en este documento?
Al leer este caso de éxito, usted aprenderá:
- El desafío del monitoreo y despliegue en Machine Learning: La falta de visibilidad sobre el comportamiento de las predicciones en entorno de producción, la ausencia de infraestructura para ejecutar pruebas A/B y la falta de estandarización en los procesos de despliegue.
- El enfoque de integración y colaboración técnica: La incorporación de talento bajo el modelo de Staff Augmentation en sinergia con los equipos internos, participando activamente en ceremonias ágiles y colaborando con las células de Ingeniería de Datos y Analítica.
- El ecosistema tecnológico y arquitectura de MLOps: La implementación de un stack avanzado compuesto por Python, FastAPI, Flask, Docker, Apache Pulsar, Split.io y Weights & Biases, integrado con librerías de modelado predictivo como XGBoost, CatBoost y Scikit-learn.
- Los resultados operacionales y de autonomía técnica: El desarrollo de un sistema de monitoreo en tiempo real basado en eventos, la reducción significativa de latencia mediante código asíncrono, la documentación clara para despliegues autónomos y la habilitación de pruebas A/B paralelas.