Zenpli

El modelo de detección de fraude de Zenpli, alojado en AWS, enfrentaba problemas de escalabilidad y carecía de procesos de gestión de modelos eficientes. A medida que la empresa crecía, necesitaban una solución más sólida para gestionar el entrenamiento, despliegue y mantenimiento del modelo. Los desafíos principales incluían:

• Garantizar la escalabilidad para manejar volúmenes crecientes de datos.
• Implementar flujos de trabajo automatizados para entrenamiento y despliegue.
• Evaluar la mejor plataforma de MLOps entre varias opciones, alineada con sus objetivos operativos a largo plazo.

El objetivo principal de Zenpli era evaluar las capacidades de AutoML, BigQuery ML y Vertex AI para seleccionar la plataforma más adecuada que respaldara su crecimiento.

En esta fase, Semantiks trabajó en estrecha colaboración con Zenpli para replicar su modelo de detección de fraude utilizando servicios de GCP. Los objetivos principales fueron:

• Desarrollar y entrenar modelos de machine learning con AutoML, BigQuery ML y Vertex AI.
• Evaluar la capacidad de cada plataforma para manejar conjuntos de datos a gran escala y ofrecer predicciones precisas.
• Asegurar que los modelos cumplieran con los requisitos técnicos y comerciales para la detección de fraude.

Fase 2: MLOps
Basándose en la fase de desarrollo de ML, la Fase 2 se enfocó en desplegar y gestionar los modelos. Semantiks implementó tres pipelines MLOps independientes diseñados para cada plataforma, priorizando:

• Flujos de trabajo automatizados para el entrenamiento, despliegue y monitoreo del rendimiento de los modelos.
• Escalabilidad e integración fluida en las operaciones existentes de Zenpli.
• Control de versiones y monitoreo continuo para abordar el drift del modelo y mantener su rendimiento.

Semantiks entregó tres pipelines MLOps personalizados, cada uno aprovechando un servicio diferente de GCP:

• Pipeline AutoML: Automatizó los procesos de experimentación, entrenamiento y despliegue. Incluyó capacidades avanzadas como selección automática de características, ajuste de hiperparámetros y reentrenamiento periódico para garantizar la efectividad continua del modelo.
• Pipeline BigQuery ML: Diseñado para integrarse perfectamente en el entorno de BigQuery, este pipeline optimizó la preprocesamiento de datos, la ingeniería de características y las actualizaciones programadas del modelo directamente en el almacén de datos.
• Pipeline Vertex AI: Este pipeline priorizó una gestión robusta de modelos, incorporando capacidades de CI/CD para el despliegue automatizado, control de versiones y monitoreo de drift del modelo.

Cada pipeline fue probado rigurosamente, asegurando que cumpliera con los requisitos de Zenpli en términos de escalabilidad, rendimiento y facilidad de uso, permitiéndoles tomar una decisión basada en datos.

Al finalizar la Fase 2, Zenpli logró evaluar y probar con éxito los tres pipelines, obteniendo:

• Una comprensión detallada de las fortalezas y limitaciones de AutoML, BigQuery ML y Vertex AI.
• Documentación y capacitación completas para facilitar una decisión informada.
• Mayor confianza para escalar y gestionar su modelo de detección de fraude de manera efectiva.

Zenpli está en una posición ideal para seleccionar el pipeline óptimo según sus necesidades, con planes para implementar y escalar la solución elegida en el futuro cercano. Semantiks continuará apoyando a Zenpli en el perfeccionamiento de sus procesos de MLOps y asegurando el éxito en el despliegue de su modelo de detección de fraude.

La colaboración entre Zenpli y Semantiks destaca el valor de las soluciones MLOps personalizadas para transformar los flujos de trabajo de machine learning. Al permitir que Zenpli evaluara AutoML, BigQuery ML y Vertex AI, Semantiks les ayudó a construir un proceso de gestión de modelos escalable y eficiente. Esta colaboración subraya el compromiso de Semantiks con la entrega de soluciones innovadoras que impulsan el éxito de empresas visionarias como Zenpli.