Resumen ejecutivo

El proyecto tenía como objetivo desarrollar soluciones de previsión basadas en datos que mejoraran la planificación del inventario, redujeran la falta de existencias y el exceso de existencias y permitieran una toma de decisiones más estratégica. Esta iniciativa fue crucial para optimizar las existencias de los almacenes, mejorar los modelos de previsión, ampliar la cobertura de los modelos a nuevos productos y mercados y perfeccionar las metodologías de evaluación del desempeño. A través de este proyecto, mejoramos la operación comercial en al menos un 10% al reducir significativamente los errores de previsión y mejorar la toma de decisiones.

Acerca de la empresa

Trafilea es una empresa global de comercio electrónico que se especializa en desarrollar y operar tiendas en línea centradas en nichos de mercado. Tiene su sede en Uruguay y se fundó en 2014. Trafilea posee y opera varias marcas de comercio electrónico directas al consumidor (DTC), principalmente en las industrias de la moda, las fajas y el bienestar. El objetivo de la empresa es ofrecer productos de alta calidad a clientes de todo el mundo, centrándose en un servicio de atención al cliente excepcional y en una experiencia de compra online perfecta. Sus principales marcas son Shapermint y Truekind, ambas minoristas líderes en línea de fajas y prendas íntimas.

El desafío

Trafilea sigue un modelo de cadena de suministro internacional, con una producción basada en China y una distribución gestionada a través de almacenes en todo el mundo. Uno de los principales desafíos de sus operaciones son los largos plazos de producción, con un mínimo de cinco meses desde la realización del pedido hasta que el inventario esté disponible para la venta. Esto, combinado con la alta volatilidad de la demanda y los cambios en el comportamiento de los clientes, hace que la previsión precisa de la demanda sea una necesidad fundamental. El objetivo del proyecto es desarrollar soluciones de previsión basadas en datos que mejoren la planificación del inventario, reduzcan la falta de existencias y el exceso de existencias y permitan una toma de decisiones más estratégica. Esta iniciativa es crucial para lograr la satisfacción de los clientes al reducir los pedidos parciales o pendientes y reducir los costos incurridos cuando los productos se agotan (lo que provoca pérdidas de ventas y gastos de reabastecimiento apresurados). También implica optimizar las existencias de los almacenes, mejorar los modelos de previsión, ampliar la cobertura de los modelos para incluir nuevos productos y mercados y perfeccionar las metodologías de evaluación del rendimiento.

Proceso y cronograma del proyecto

1. Alineación de partes

• El proyecto comenzó con una estrecha colaboración entre los equipos de operaciones y aprendizaje automático para comprender completamente el problema empresarial. Dados los largos plazos de producción y la volatilidad de la demanda, era fundamental identificar los principales puntos débiles, objetivos y limitaciones antes de diseñar una solución de previsión.

2. Recopilación de datos y evaluación comparativa

• Se recopilaron datos históricos de demanda, inventario y marketing.
• Evaluó la calidad de los datos e identificó los patrones de desempeño de ventas.
• Analizó el impacto de los factores externos en las fluctuaciones de la demanda.
• Se comparó el proceso de pronóstico actual midiendo los errores utilizando el error porcentual absoluto medio ponderado (wMAPe) y el error absoluto medio (MAE) + |bias|.

3. Desarrollo y validación de modelos

• Desarrollé modelos de series temporales con ajustes basados en la heurística.
• Aplicó modelos iniciales a los productos más vendidos (ACQ).
• Realicé pruebas retrospectivas simulando pronósticos anteriores y comparándolos con las ventas reales.
• Presentó los resultados de la validación a las partes interesadas para comparar el nuevo enfoque con el método de pronóstico existente.

4. Escalado y expansión

• Se amplió la cobertura de modelos para incluir tanto los productos más vendidos (ACQ) como los que no lo son (no ACQ).
• Clasificó los productos que no son de ACQ en los más vendidos y en el inventario de larga duración para estrategias de pronóstico específicas.
• Introdujo un modelo de nuevos lanzamientos para estilos sin ventas históricas, que aprovecha las tendencias del mercado y la información sobre las categorías.
• Modelos jerárquicos integrados para las variantes de productos, el estilo, el país y los niveles de almacén, lo que garantiza la alineación entre los diferentes niveles de previsión.

5. Refinamiento e integración

• Amplió la previsión a los canales de Amazon y Direct-to-Consumer (DTC), reconociendo los diferentes comportamientos de los consumidores en las plataformas de ventas.
• Modelos de series temporales mejorados para capturar las tendencias, la estacionalidad y los factores externos, como los eventos promocionales y los días festivos.

6. Supervisión y optimización del rendimiento

• Introdujo el informe de valor agregado de pronóstico para evaluar el impacto de cada enfoque de pronóstico.
• Optimizó el cronograma de ejecución de las previsiones (LAG4) para alinearlo con los plazos de producción e inventario.
• Implementé modelos de referencia, como los promedios móviles, para establecer una base de comparación simple pero efectiva.
• Modelos de aprendizaje automático de XGBoost integrados para refinar las predicciones mediante la captura de relaciones no lineales y patrones de demanda complejos.
• Amplió el marco de previsión a otros países y dominios de tiendas para respaldar las operaciones internacionales de la empresa.

La solución

El nuevo enfoque de planificación de la demanda formalizó y automatizó la previsión mediante el establecimiento de una metodología estructurada basada en datos, que sustituyó los ajustes manuales por series temporales automatizadas y modelos de aprendizaje automático. Las métricas de error estandarizadas (wMAPe, MAE + |bias|) y un informe de valor agregado previsto permitieron realizar un seguimiento continuo del rendimiento, lo que mejoró la precisión y la adaptabilidad. Los modelos avanzados, como XGBoost y la previsión jerárquica, capturaban las tendencias, la estacionalidad y los factores externos, garantizando la alineación entre los niveles de SKU, estilo, país y almacén. La escalabilidad se mejoró al integrar los canales de Amazon y DTC, adaptarlos a los estilos de adquisición (ACQ) y no adquisición (no ACQ) y permitir una expansión fluida a los mercados internacionales. La optimización del cronograma de ejecución de las previsiones (LAG4) mejoró la asignación del inventario, redujo las ineficiencias de la cadena de suministro y mejoró la toma de decisiones basada en los datos. Esta transformación aumentó significativamente la precisión de las previsiones, la eficiencia operativa y la escalabilidad en toda la empresa.

Figura 1: Serie temporal de ventas brutas mensuales de un producto con sus valores históricos, su pronóstico y su base de referencia de media móvil.

Los resultados

Los análisis realizados durante el proyecto revelaron que los déficits mensuales promedio podrían alcanzar los 500 000 dólares, principalmente para evitar la pérdida de ventas debido a problemas relacionados con el desabastecimiento.

Al automatizar y formalizar el proceso de previsión, el modelo implementado redujo estos gastos entre un 10 y un 40%. Suponiendo una reducción conservadora del 25% (125 000 dólares al mes), los ahorros anuales proyectados podrían superar los 1,5 millones de dólares.

Esta estimación considera un escenario en el que no hay existencias disponibles antes de un pedido de producción, y se basa completamente en decisiones basadas en pronósticos.

Desde un punto de vista tecnológico, el proyecto aprovechó la automatización y el aprendizaje automático para mejorar la precisión de las previsiones. La métrica del error porcentual absoluto medio ponderado (wMAPe) se utilizó para la evaluación en diferentes niveles, y mostró una mejora operativa del 10% gracias a la reducción de los errores de previsión y a la toma de decisiones más fundamentada. Con una previsión a 5 meses, se obtuvo un WMApe del 30%, lo que refleja una reducción del 10% en los errores en comparación con los métodos manuales. La implementación de modelos de aprendizaje automático no solo mejoró la precisión, sino que también introdujo paneles de rendimiento en tiempo real. Además, el enfoque de previsión jerárquica superó con creces a los modelos anteriores, lo que optimizó la estimación de la demanda y reforzó la toma de decisiones basada en los datos.

El impacto

La colaboración con Muttdata en este proyecto proporcionó a Trafilea un sistema de previsión robusto y automatizado que mejoró significativamente la precisión de la planificación de la demanda. Al reemplazar la heurística manual por modelos avanzados de aprendizaje automático y previsiones jerárquicas, la solución redujo los errores de predicción mensuales en aproximadamente un 30%, lo que representa alrededor de 125 000, lo que contribuye a mejorar la gestión del inventario y a aumentar la eficiencia de los ciclos de producción. La integración en los servicios en la nube de Trafilea garantizó una ejecución perfecta, lo que permitió al equipo generar pronósticos precisos bajo demanda para el 93% de los productos de DTC y el 82% de los productos de los canales de Amazon. Trafilea cuenta ahora con una solución escalable basada en datos que mejora la toma de decisiones, minimiza los riesgos operativos y maximiza la eficiencia en su cadena de suministro internacional, gracias a la cual se cuenta con un proceso completamente desarrollado para la selección, la inferencia y el monitoreo de modelos.

Finalizando

Muttdata proporcionó a Trafilea un sistema de previsión robusto y automatizado que mejoró significativamente la precisión de la planificación de la demanda. Al reemplazar la heurística manual por modelos avanzados de aprendizaje automático y previsiones jerárquicas, redujimos los errores de predicción en al menos un 10%, lo que nos permitió gestionar mejor el inventario y optimizar los ciclos de producción. La integración en los servicios en la nube de Trafilea garantizó una ejecución perfecta, lo que permitió al equipo generar pronósticos precisos bajo demanda. Con una cartera completamente desarrollada para la selección, la inferencia y el monitoreo de modelos, Trafilea ahora cuenta con una solución escalable y basada en datos que mejora la toma de decisiones, minimiza los riesgos operativos y maximiza la eficiencia en su cadena de suministro internacional.

Este proyecto no sería posible sin el compromiso y la colaboración de Juan Orjuela (Líder de Planificación de la Demanda) y Lila Siebenrock (Gerente de Proyectos de Trafilea), quienes brindaron sugerencias y apoyo perspicaces a lo largo del camino que estuvimos trabajando juntos.

¿Estás preparado para mejorar su negocio a través del aprendizaje automático, la inteligencia artificial y los datos? ¡Ponte en contacto con nosotros para comenzar!

‍

Acerca de la empresa

Mercado Libre es el ecosistema de comercio y pagos en línea más grande de América Latina. A través de un conjunto de soluciones tecnológicas que incluyen Mercado Pago, Anuncios de Mercado, Mercado Envíos, y Mercado Créditos permiten a los clientes de 18 países llevar a cabo su comercio ofreciendo soluciones en toda la cadena de valor.

Desafío

El equipo de Product Ads (productos promocionados por los vendedores de Mercado Libre) necesitaba desarrollar un sistema interno de pujas mejorado. Antes de este proyecto, la plataforma de Mercado Libre utilizaba un proceso por lotes para determinar el costo a cobrar a cada vendedor por las campañas de artículos promocionados. El resultado de este proceso era subóptimo, ya que dejaba muchas variables sin optimizar y los ingresos no eran ideales para los vendedores con pujas más bajas.

Solución

Muttdata desarrolló un nuevo sistema que realiza las pujas en tiempo real, a medida que se realiza la búsqueda. Este sistema estima el CTR (Click Through Rate o tasa de clics) y el CVR (Conversion Rate o tasa de conversión) de cada artículo para determinar su posición, al mismo tiempo que evalúa el impacto en el GMV (Gross Merchandise Volume o volumen bruto de mercancía) del marketplace y decide el equilibrio óptimo. Además del desarrollo del sistema, participamos en su investigación y diseño.

Somos AWS Advanced Partners y este proyecto utilizó herramientas como Amazon EKS y Amazon RDS.

Asimismo, los módulos y sistemas necesarios fueron implementados dentro de la arquitectura en la nube de Mercado Libre, siguiendo sus estándares y logrando una integración fluida con el resto de sus sistemas.

Impacto

Las pruebas en línea mostraron un aumento de más del 25% en la cantidad de clics, sin afectar de manera significativa al GMV orgánico general de la plataforma.

¿Quieres profundizar?

Muttdata puede ayudarte a cristalizar tu estrategia de datos mediante el diseño e implementación de capacidades técnicas y mejores prácticas. Estudiamos los objetivos de negocio de tu empresa para entender qué debe cambiar y ayudarte a lograrlo a través de una estrategia técnica sólida, con una hoja de ruta clara y metas bien definidas. Habla con uno de nuestros representantes de ventas en hi@muttdata.ai o consulta nuestro folleto comercial y blog.

¡Compruébalo tú mismo!

Explora los resultados que hemos logrado con nuestros clientes a través de nuestros casos de éxito o visita nuestro perfil en Clutch para ver reseñas de clientes.

‍

Acerca de la empresa

Mercado Libre es el ecosistema de comercio y pagos en línea más grande de América Latina. A través de un conjunto de soluciones tecnológicas que incluyen Mercado Pago, Anuncios de Mercado, Mercado Envíos, y Mercat Credit permiten a los clientes de 18 países llevar a cabo su comercio ofreciendo soluciones en toda la cadena de valor.

Desafío

Los sistemas de atribución online suelen intentar medir la contribución de cada punto de contacto publicitario (normalmente los clics en los anuncios) en los procesos de conversión. Esto significa intentar medir con precisión el aumento incremental que aporta cada punto de contacto. Medir esto correctamente es un paso fundamental para poder comprender correctamente el verdadero impacto de cada campaña de marketing y optimizar la asignación del presupuesto de marketing. La mayoría de los sistemas de atribución en línea adolecen de varias limitaciones:

• Solo contemplan un conjunto fijo de puntos de contacto (último clic, disminución del tiempo de 7 días, etc.)
• Ponderan la contribución de acuerdo con una regla fija (el 100% del primer clic, la distribución uniforme, etc.) que normalmente sobreestima la verdadera contribución de los canales del fondo del embudo y no se alinea con las mediciones de las pruebas de sustentación.
• No tienen en cuenta el orden de los puntos de contacto ni las funciones a nivel de usuario que pueden hacer que el mismo conjunto de puntos de contacto del anuncio influya de manera diferente en las conversiones de distintos usuarios.

En resumen, la mayoría de los sistemas de atribución online no son verdaderamente multitáctiles (MTA) y no miden correctamente la contribución de cada punto de contacto. Además, algunos proveedores de SaaS pueden ofrecer sistemas de MTA de código cerrado, pero el hecho de no poder comprender, acceder y ajustar realmente los modelos subyacentes limita considerablemente la utilidad de un sistema tan importante.

El equipo de MercadoLibre buscó diseñar e implementar un nuevo enfoque basado en datos de la MTA que pudiera mitigar la mayoría de las deficiencias habituales. La nueva solución tenía que aplicar modelos avanzados de aprendizaje automático que pudieran tener en cuenta con precisión variables empresariales como la interacción con el canal, la predicción de conversiones, la dependencia temporal, las características de los usuarios y la contribución incremental en una sola solución.

Al mejorar sus modelos de atribución, el cliente esperaba lograr una mejor medición en tiempo real de cuáles eran los puntos de contacto de los anuncios que generaban verdaderos resultados de marketing incrementales que les ayudarían a optimizar mejor su inversión en marketing con una cadencia diaria o horaria.

Lea más sobre la MTA y los diferentes tipos de asignaciones aquí.

Solución

Nuestros equipos colaboraron para diseñar e implementar una nueva plataforma de atribución multitáctil que utiliza modelos avanzados de aprendizaje profundo para comprender el verdadero impacto a nivel de clics.

Esto implicó una exploración exhaustiva de los impulsores y variables industriales del cliente, la investigación de los últimos avances científicos en el campo, la iteración rápida de los POC con validación y la incorporación de información realista del contexto del usuario, como el comportamiento del cliente, las categorías y las variables de control. Este enfoque ayuda a controlar y reducir las estimaciones engañosas y los sesgos, garantizando resultados más precisos.

Impacto

Nuestro modelo de atribución multitáctil, recientemente adoptado, ha logrado una medición en tiempo real y a nivel de campaña mucho más cercana a las estimaciones de crecimiento real de cada canal. También ha permitido a los equipos de marketing analizar la influencia de cada punto de contacto en los recorridos de los clientes, identificando estrategias exitosas y áreas de mejora en la asignación de recursos. En consecuencia, esto ha permitido mejorar el rendimiento de la campaña y tomar decisiones más informadas.

Finalizando

¿Está interesado en profundizar en las soluciones de marketing? Consulta algunos de nuestros otros contenidos:

Contenido de marketing:

• Soluciones MarTech para su empresa
• Modelado de marketing mixto (MMM): soluciones
• Qué es el modelado de mezclas de marketing y cómo puede la automatización hacerlo aún más útil
• 6 formas en las que puede utilizar el aprendizaje automático para llevar sus esfuerzos de marketing al siguiente nivel
• La serie Retail Media Network (RMN)

No es la primera vez que trabajamos con Mercado Libre y otros líderes de la industria, lea más historias aquí:

• [AdTech] Mercado Libre: segmentación de audiencia para anuncios y ubicaciones optimizadas de anuncios
• [FinTech] MODO: aceleración moderna de pilas de datos
• [FinTech] Addi: desbloquea nuevas velocidades e información con una pila de datos nueva y moderna
• [FinTech] Ank: reduce las transacciones de conciliación manual a menos del 3%
• [Cuidado de la salud] Sirum impulsa las capacidades de procesamiento de píldoras con una solución de reconocimiento basada en visión artificial
• [Logística y cadena de suministro] Habitat ve el éxito con la previsión de la demanda de aprendizaje automático
• [EdTech] ClassDojo impulsa el crecimiento con una nueva plataforma moderna
• [AdTech] X3M impulsa los ingresos promedio por usuario con la optimización de cascadas en tiempo real
• [Juegos] Etermax ve una disminución del 40% en los CPC con la solución de Muttdata

Acerca de la empresa

Mercado Libre es el ecosistema de comercio y pagos en línea más grande de América Latina. A través de un conjunto de soluciones tecnológicas que incluyen Mercado Pago, Anuncios de Mercado, Mercado Envíos, y Mercado Créditos permite a los usuarios de 18 países realizar transacciones comerciales con soluciones que abarcan toda la cadena de valor.

Desafío

Mercado Pago opera en un mercado dinámico y en constante evolución, compitiendo tanto por compradores como por vendedores. Para tener éxito en sus misión de convertirse en el principal método de pagos, cobros y servicios financieros entre los vendedores, sus equipos empresariales basados en datos deben innovar continuamente y cuestionar el status quo. Ahí es donde entramos en escena para aportar nuestra experiencia.

El objetivo principal del proyecto era aumentar el Volumen Total de Pagos (TPV) de Mercado Pago, incrementando su participación en la cartera de los vendedores. En términos prácticos, esto significaba diversificar el uso de productos por parte de los vendedores e introducirlos a servicios que aún no habían explorado.

Nuestra colaboración estrecha con los equipos de negocio y tecnología permitió identificar oportunidades de mejora dentro de su estrategia de marketing y AdTech, incluyendo notificaciones push, emails, plataformas inmobiliarias y mejoras en la segmentación de usuarios.

El desafío (ilustrado a continuación) se dividía en dos partes principales:

En primer lugar, entender qué recomendaciones hacer, y en segundo lugar, determinar la forma más efectiva de enviar o implementar esas recomendaciones.

Solución

Propusimos un marco de recomendación multicanal (display advertising, email, WhatsApp y push notifications) basado en modelos de machine learning que estiman la probabilidad de que un vendedor utilice cada servicio durante una semana determinada. Además, el sistema selecciona la recomendación adecuada según el segmento al que pertenece cada vendedor.

Las recomendaciones generadas se ajustan con precisión en función de:

• Cuándo se realizan los envíos (balance entre capping y engagement).
• Qué canales se utilizan (real estate, push o correo electrónico) en función del análisis de interacciones.
• Qué servicio deberíamos destacar para ese vendedor.
• Qué texto utilizar para un canal o servicio específico, modelado como un Multi-Armed Bandit.
• Análisis de campañas y experimentos anteriores

El sistema no se limita a variables basadas en hábitos, también considera objetivos comerciales específicos de cada servicio:

• Elegibilidad: no todos los vendedores pueden recibir todos los mensajes. Se aplican filtros para garantizar que solo los clientes elegibles reciban ofertas, descuentos o créditos.
• Exclusión: algunos vendedores son excluidos de todas las comunicaciones para establecer grupos de control en pruebas A/B.

Para construir este marco, utilizamos instancias de AWS EC2 para crear un ABT (Analytical Base Table) que extrae características del Data Warehouse existente. Estas instancias especializadas permitieron acelerar la creación de variables del ciclo de ML en un factor de 3x. También alojamos un orquestador en EC2 para entrenar modelos y generar predicciones semanales en lote, lo que permitió aumentar el ritmo de despliegue de modelos de 2 por mes a 3 por semana.

Finalmente, usamos S3 como almacenamiento predeterminado para logging y versionado de modelos.

Impacto

Nuestro principal indicador de negocio, que mide el número de vendedores que eligen Mercado Pago como su plataforma principal, aumentó 4 puntos porcentuales, pasando del 6% al 10% de la base de vendedores. Además, hemos incorporado las mejores prácticas y herramientas de monitoreo, lo que facilita el seguimiento y la comparación de las métricas en tiempo real a través de dashboards intuitivos.

Testimonio

En el campo de la inteligencia artificial y el aprendizaje automático, que avanza rápidamente, los líderes de producto se enfrentan a importantes presiones para desarrollar e implementar rápidamente nuevos productos impulsados por la IA. La forma más rápida de comprobar si un producto de IA es viable es crear una PoC (prueba de concepto).

Sin embargo, en el panorama ultracompetitivo actual, los líderes de producto no pueden darse el lujo de permanecer en ciclos de investigación interminables que no se traducen en productos que generen ingresos.

Los esfuerzos prolongados de este tipo, que van y vienen con los POC, corren el riesgo de desperdiciar recursos sin ofrecer resultados tangibles. Una PoC exitosa debe realizarse lo antes posible, de modo que la implementación pueda comenzar con la menor cantidad de demoras posible, de modo que un producto que genere ingresos pueda llegar al mercado.

Abordar estos desafíos requiere no solo un pensamiento innovador, sino también aplicar las herramientas de manera efectiva y establecer asociaciones estratégicas.

En Muttdata, estamos muy familiarizados con estos desafíos, ya que hemos recorrido este terreno nosotros mismos y hemos guiado a numerosos clientes a través de los desafíos únicos asociados con el rápido desarrollo de sistemas exitosos y listos para la producción desde sus inicios como iniciativas de I+D. Por lo tanto, aquí es donde Muttdata, en colaboración con Symbl.ai, ofrece una solución perfecta desde la PoC inicial hasta un sistema sólido y generador de ingresos.

La combinación de la experiencia técnica de Muttdata en plataformas de datos y aprendizaje automático y la tecnología de inteligencia artificial de vanguardia de Symbl.ai resuelve el problema de generar valor a partir de una PoC. Muttdata proporciona conocimientos técnicos para acelerar el uso de los datos en la PoC, entre otros, mientras que los modelos generativos y especializados prediseñados de conocimiento y comprensión de Symbl.ai eliminan el costo de adquirir datos y modelos de capacitación desde cero y aceleran la obtención de valor.

Uso de Symbl.ai para ofrecer rápidamente valor de IA

Symbl.ai ofrece modelos generativos y de comprensión de última generación con API y SDK fáciles de usar para crear inteligencia de voz en tiempo real en las aplicaciones. Los SDK se pueden integrar con unas pocas líneas de código, y la API empresarial de Symbl.ai significa que los POC se desarrollan con mayor rapidez, permiten iniciar la implementación y la producción con mayor rapidez y garantizar que siempre cumplen con las normas, por lo que su producto de IA estará listo para salir al mercado mucho más rápido.
La cartera de productos de Symbl incluye: 1 - Modelos de reconocimiento de voz y tareas específicas: entidades, sentimientos e intenciones. 2 - Modelos generativos: modelo Nebula LLM e incrustaciones. 3 - Ofertas de IA aplicada: API de puntuación de llamadas, asistencia en tiempo real e interfaz de usuario de Insights

1. Modelos de reconocimiento de voz y tareas específicas: entidades, sentimientos e intenciones. La plataforma de inteligencia artificial integral en tiempo real y los modelos específicos para tareas específicas de Symbl se pueden utilizar para procesar conversaciones de vídeo, audio y texto en tiempo real o de forma asincrónica y obtener información conversacional, como la opinión general, los temas tratados, las preguntas formuladas y mucho más.
2. Modelos generativos: modelo Nebula LLM e Embeddings. Nebula LLM se puede utilizar para realizar tareas como analizar las transcripciones de las conversaciones y generar resúmenes, hacer preguntas de seguimiento, redactar correos electrónicos, identificar y recomendar soluciones a los problemas de los clientes y mucho más. Con Nebula, las empresas y los desarrolladores de todos los sectores han creado experiencias de GenAI en tiempo real que incluyen conversaciones humanas, como la asistencia en tiempo real para los equipos de primera línea y los bots de voz.
3. Ofertas de IA aplicada: API de puntuación de llamadas e interfaz de usuario de Insights que permiten evaluar la calidad de las llamadas y el rendimiento de los participantes a escala para un entrenamiento personalizado. Con los modelos especializados de Symbl.ai, los clientes pueden crear casos de uso y experiencias de IA generativa en tiempo real a través de la voz, como la asistencia en tiempo real o el uso de bots de voz para los equipos de primera línea, lo que acelera el tiempo de comercialización y, en última instancia, mejora la experiencia del cliente, la tasa de cierre de las operaciones, la velocidad de las mismas, etc.

Symbl.ai + ¡Muttdata al rescate!

Si estás buscando un equipo de expertos que pueda poner en marcha tu último producto de IA: Muttdata es tu equipo! Y si quieres tener el mismo éxito que nosotros a la hora de ofrecer valor a nuestros usuarios, asegúrate de leer más sobre cómo utilizamos Symbl.ai en su sitio asociado.

Uso de LangSmith para abordar las LLM en producción

Últimamente hemos estado trabajando mucho con GenerativeAI, con un marco para crear aplicaciones listas para la producción, y investigar formas de generar las mejores imágenes posibles. Pero ahora es el momento de hablar sobre la generación de texto mediante LLM (LArge LLenguaje Mmodelos): la tecnología detrás de ChatGPT, Llama, Mistral y más.

Como siempre, nuestro objetivo es poder construir sistemas listos para la producción a partir de estas tecnologías de vanguardia. Si no funciona en producción y no ayuda a los usuarios, ¡entonces no lo consideramos terminado! Nos hemos centrado en implementar los LLM y nos complace compartir los desafíos (y las soluciones) que hemos encontrado a lo largo del camino.

Podrás leer sobre nuestras experiencias en esta publicación del blog de LangChain, donde nuestro propio Tomás Pastore ha compartido su experiencia con LangSmith para medir los LLM.

Por qué elegimos LangSmith

LangSmith es una plataforma de desarrollo de LangChain, capaz de depurar, supervisar, probar y evaluar Solicitudes de LLM. Teniendo en cuenta nuestro enfoque en crear productos de inteligencia artificial que se ejecuten en entornos de producción, LangSmith fue la elección correcta. No solo aceleró el tiempo de desarrollo, sino que también nos ayudó a ofrecer un mejor producto final.

En nuestro caso de uso, necesitábamos mejorar la calidad de las respuestas de nuestro LLM. Ya teníamos un conjunto de pruebas, pero realizarlas y calificarlas de forma manual consumía mucho tiempo e introducía el sesgo de las personas encargadas de corregir los resultados. Esto simplemente no era escalable para la producción.

En nuestra publicación cruzada con LangChain, podrás leer sobre cómo utilizamos LangSmith para construir un Evaluador personalizado con solo unas pocas líneas de código, lo que mejora significativamente la calidad de nuestro conjunto de pruebas y sus métricas.

¡Descubre más!

Este es solo uno de los muchos temas que analizamos en la entrada del blog de LangChain, donde podrás leer sobre la mejora de la calidad inmediata, los riesgos de seguridad de las LLM y más.

Obtenga más información sobre los principales desafíos de generar texto mediante LLM y nuestras soluciones recomendadas para cada uno de ellos en esta exploración detallada.