Del dato al modelo: el viaje invisible que sostiene el machine learning empresarial
El artículo recorre las etapas poco visibles que sostienen un proyecto de machine learning empresarial, desde la gobernanza de datos hasta el despliegue y el monitoreo. El autor explica cómo se traduce un objetivo de negocio en una pregunta predictiva concreta, cómo se eligen algoritmos y métricas según el contexto y por qué en sectores regulados explicar una decisión pesa más que ganar eficiencia. Advierte sobre el envejecimiento de los modelos y los riesgos de operar sin observabilidad en producción.
Predicciones en tiempo real: la carta ganadora de los NeoBancos y Fintechs
El texto sostiene que la ventaja competitiva de las fintech y los neobancos frente a la banca tradicional no está en el volumen de datos sino en la capacidad de desplegar modelos de machine learning en tiempo real. El autor describe la paradoja del dato histórico en los bancos tradicionales y el dilema de los neobancos, que operan con información limitada y comportamientos cambiantes. Compara además tres caminos para implementar aprendizaje automático —servicios de terceros, modelos preentrenados y modelos propios— con sus ventajas y costos.
