FAQ

Nuestra plataforma emplea un sofisticado conjunto de modelos predictivos para atender a una amplia gama de aplicaciones, desde el procesamiento del lenguaje natural a la previsión y más allá. Aquí tienes un desglose de los tipos de modelos que utilizamos:

1. Grandes modelos lingüísticos (LLM o IA generativa):
Por defecto, nuestro sistema utiliza Azure, con ChatGPT 4, para Large Language Models. Ofrecemos la flexibilidad de cambiar entre varios LLM, incluyendo LLama2, OpenAI, Mistral, entre otros, para adaptarse a las preferencias del usuario o a los requisitos específicos del proyecto. Nuestra plataforma está diseñada para integrar casi cualquier LLM, garantizando versatilidad y adaptabilidad a diversas tareas. Si un LLM solicitado no está soportado directamente, tomamos medidas para establecer la compatibilidad y conectividad para satisfacer las necesidades del usuario.

2. Modelos de clasificación, regresión y soluciones automatizadas:
Nuestro enfoque de las tareas de clasificación y regresión incorpora una amplia gama de modelos, como Linear, Decision Tree, Random Forest, Extra Trees, LightGBM, Xgboost, CatBoost, Neural Network y Nearest Neighbors. Este variado conjunto de herramientas nos permite abordar con eficacia un amplio espectro de retos.
Además, nuestro sistema está equipado con un mecanismo de selección adaptativa para soluciones automatizadas, que elige dinámicamente el modelo más adecuado en función del contexto y de la calidad de formación deseada. Esto garantiza que los modelos que desplegamos se adapten a los requisitos específicos de cada tarea, desde clasificaciones sencillas hasta análisis predictivos complejos.

Para situaciones que requieren una mayor precisión o rendimiento, nuestra plataforma no se basa en un único modelo. En su lugar, generamos múltiples modelos de diferentes tipos y configuraciones, los clasificamos en función de su rendimiento y creamos un conjunto con los modelos de mejor rendimiento. Este enfoque de conjunto mejora significativamente la precisión de nuestras predicciones, lo que nos permite ofrecer resultados superiores sin necesidad de complejas aportaciones de los usuarios.

3. Modelos de previsión:
Para los problemas de previsión, nuestro conjunto de herramientas incluye modelos como Arima, Sarima, Prophet y modelos bayesianos. Se han seleccionado por su fiabilidad y eficacia demostradas en la predicción de tendencias y patrones futuros en diversos ámbitos.

A través de este uso exhaustivo y adaptativo de modelos predictivos, nuestra plataforma garantiza que los usuarios tengan acceso a tecnologías de IA de vanguardia adaptadas a sus necesidades específicas, simplificando el camino hacia la obtención de perspectivas precisas y procesables.

Básicamente, dividimos el conjunto de datos de usuarios (esta es la fuente de verdad) en dos pequeños conjuntos.
Esos son los Training set (generalmente el 80% del conjunto de datos original) y Test set (20%).

Entrenamos un algoritmo de aprendizaje automático para obtener una buena precisión con nuestro Training set.
Me refiero a la reducción del error en las predicciones. En términos generales, inicialmente tenemos un modelo aleatorio que básicamente nos da una respuesta aleatoria, luego pedimos una predicción sobre nuestro conjunto de entrenamiento, el modelo nos da una respuesta (inicialmente aleatoria), luego retropropagamos todos los ajustes necesarios para que nuestro modelo responda lo que esperábamos (porque sabemos la verdad). Luego seguimos con todas las demás filas de nuestra fase de entrenamiento.
In fact, this process is done a lot of times.

Una vez que el modelo se ha entrenado y tiene una buena precisión en el conjunto de entrenamiento, hacemos una predicción en el conjunto de prueba (datos no vistos para el modelo) y evaluamos la calidad de la predicción del modelo en los datos no vistos.
Esta precisión de prueba es la que mostramos a los usuarios (porque, por supuesto, el modelo tendrá una buena precisión en el conjunto de entrenamiento).