¿Cómo pasar de la PoC a la productivización? Generalmente, los primeros experimentos en proyectos ML se abordan con un enfoque de prueba de concepto (PoC), analizando grandes volúmenes de información para entrenar un modelo y arrojar unos resultados. En muchas ocasiones, la incertidumbre de los siguientes pasos suponen un freno al avance en la explotación del dato y la innovación.

Sin embargo, la verdadera obtención de valor requiere ir más allá y pasar a la fase de productivización, reentrenando una y otra vez los modelos con datos obtenidos en resultados anteriores e integrándolos en nuestras soluciones para que los datos comiencen a impactar en Negocio.

En este encuentro exclusivo hablamos con Juan María Aramburu, CEO de Keepler Data Tech, compañía tecnológica que desarrolla productos de datos sobre la nube pública basados en tecnologías Big Data y de Inteligencia Artificial. En los proyectos más recientes han acompañado a importantes empresas de diversos sectores a comenzar a productivizar sus modelos ML generando valor real a negocio a partir de los datos, automatizando procesos de entreno de modelos que enriquecen los sistemas de información de manera continuada y habilitando sistemas para su consumo