Esta clase me dejó así (Soy frontend, es mi primera experiencia con AI/ML)
Retail Store en Google Cloud Platform
Google Cloud para Retail: Optimización y Modernización en E-commerce
MLOps: Integración y Operacionalización en Ciencia de Datos Retail
Arquitectura de Alto Nivel para Aplicaciones en la Nube
Desarrollo de Aplicaciones con Firebase y Vue: Configuración Inicial
Firebase: Autenticación y Seguridad en Aplicaciones Web
Instalación y Configuración de Google Cloud y Firebase para Apps
Medición de Interacciones con Google Tag Manager y Analytics
Configuración de Google Tag Manager y Google Analytics
Tageo Avanzado con Google Tag Manager para Customer Lifetime Value
Uso estratégico del Customer Lifetime Value (CLV)
Integración de Servicios y APIs en Arquitecturas Modernas
Exposición de servicios con Apigee
Integración de APIs en Tiendas en Línea
Fundamentos y Creación de APIs con APIG de Google Cloud
Creación y Gestión de APIs con APIG
Creación de API Proxy con APIG y OpenAPI Specification
Creación y Gestión de API Products y Developer Apps
Creación y gestión de portales para desarrolladores con APIG
Configuración de Portales para Desarrolladores en APIG
Buenas prácticas para desarrollar APIs eficaces
Generación de modelos AI/ML
Datos Estructurados en Machine Learning para Marketing
Modelos de Forecasting y Customer Lifetime Value con BigQuery
Integración de BigQuery con Jupyter para Análisis de Datos
Cuándo usar AutoML Tables vs BigQuery ML en Machine Learning
Entrenamiento de Modelos de Machine Learning con BigQuery ML
Entrenamiento y Evaluación de Modelos con BigQuery ML y Jupyter
Exportación de Modelos en BigQuery ML: Métodos y Consideraciones
Exportación de Modelos de Machine Learning a Cloud Storage
Consumo de servicios de AI/ML
Despliegue de Modelos Machine Learning en Google Cloud Run
Introducción a Kubernetes y su Uso en la Orquestación de Contenedores
Implementación de Modelos de Machine Learning con BigQuery API
Almacenamiento de Predicciones con Google Cloud Storage y BigQuery
Implementación de Modelos ML en BigQuery y Almacenamiento en GCS
Despliegue Continuo con Google Cloud: Herramientas y Estrategias
Despliegue Continuo en Google Cloud con Cloud Run y Docker
Configuración de Escalamiento en Google Cloud Run
Control de Autenticación y Autorización en Google Cloud Run
Google Marketing Platform
Google Cloud Platform para Estrategias de Marketing Digital
Integración de Google Analytics con BigQuery para Segmentación Avanzada
Análisis de Datos con SQL y Modelos K-Means en Google Analytics
Creación y Evaluación de Modelos en BigQuery con Datos de Google Analytics
Segmentación de Audiencias en BigQuery y Predicciones de Compra
Integración de Audiencias en Google Marketing Platform
Las organizaciones enfrentan hoy uno de los retos más grandes: integrar sus sistemas de manera efectiva para satisfacer las demandas de los clientes, quienes exigen respuestas rápidas y en tiempo real. En el sector retail y para empresas medianas, la necesidad de innovar la integración de sistemas antiguos se ha vuelto crítica. Durante años, la integración se logró a través de mecanismos como el Batch, el Micro Batch y la cola de mensajes (MQ). Estos métodos fueron efectivos, pero las nuevas necesidades del mercado demandan esquemas más modernos.
Ahora, las empresas se orientan hacia el uso de un bus de mensajería para ingesta masiva de datos y una estrategia de APIs. Este enfoque permite una entrada y salida continua de datos. Además, facilita que equipos sin conocimientos profundos de desarrollo tecnológico puedan colaborar y desarrollarse de manera autónoma, manteniendo la seguridad de la organización.
Las iniciativas de ciencia de datos suelen desarrollarse en tres etapas conocidas:
Además, en ciencia de datos, encontramos otras fases que funcionan de manera iterativa:
Estas etapas pueden implementarse tanto en nubes públicas o privadas, como en bordes, gracias a la tecnología 5G, lo cual facilita experiencias de usuario más fluidas y en tiempo real.
Operacionalizar un modelo es un desafío que implica desde la ingeniería de datos hasta el desarrollo de software convencional. Este proceso es conocido como MLOps, que integra:
Una clave para el éxito está en abordar no solo el desarrollo del modelo, sino también todo el ecosistema que lo soporta, desde la ingesta y limpieza de datos hasta el feature engineering. Los proveedores de nube ofrecen soluciones que permiten enfocarse solo en el análisis y desarrollo del modelo, liberando al equipo de complicaciones adicionales.
En el retail, el uso de inteligencia artificial y aprendizaje automático brinda enormes beneficios. Dos ejemplos destacados incluyen:
Customer Lifetime Value (CLV): permite medir el valor futuro de un cliente y tomar decisiones informadas, priorizando campañas de marketing para clientes con mayor potencial.
Recomendaciones omnicanal: ofrece al cliente una experiencia consistente, reconociendo sus preferencias sin importar el canal de interacción (móvil, web o en tienda física).
Con CLV, por ejemplo, productos como Google Ads facilitan la creación de campañas personalizadas, asegurando que los clientes más valiosos sean los primeros en ser atendidos. Por otro lado, la segmentación de usuarios basada en datos históricos mejora la efectividad del marketing al proporcionar mensajes adaptados a cada tipo de cliente.
Estos avances no solo optimizan los recursos, sino que fomentan relaciones más profundas y rentables con los clientes.
Aportes 20
Preguntas 0
Esta clase me dejó así (Soy frontend, es mi primera experiencia con AI/ML)
Adjunto Link de Los pilares de MLOps
💚
Para profundizar al respecto:
MLOps: Continuous delivery and automation pipelines in machine learning
Dia Dos de las etapas
interesante etapas
Este curso se ve muy prometedor. Actualmente trabajo en una empresa retail como Científico de datos y este contenido me servirá mucho para tener una visión del panorama global y complejo que hay detrás de muchos de los procesos involucrados en ML y DS.
Casos de uso comunes para AI/ML en Retail
estoy impresionado del nivel el cual va llevar a otro nivel cualquier tienda en linea.
Alguien más está sorprendido del poder que tiene esto? 😮
Podríamos hacer de manera puntual que alguien tome ciertas decisiones según la interacción que tenga, solo abría que orientándolo de manera deliberada. Si lo tomamos en el caso de compra-venta es de risa comparado con el manejo de ideas en por ejemplo elecciones.
Haciendo de manera inteligente las segmentaciones necesarias podríamos llegar a personas específicas y de manera aparentemente natural orillar a tener ciertos pensamientos.
Cosa que no me parece descabellado en un mundo dónde, pienso, la mayoría de personas consumimos contenido sin detenernos un segundo a reflexionar en todo lo que lo rodea, por no mencionar que casi será prácticamente imposible ya que la cantidad de contenido al que nos exponemos es inmenso.
😵💫
Pues hoy recien leo sobre MLOps, no lo había escuchando antes o.o
El aprendizaje es continuo porque sino nos quedamos atras.
impresionante si estalla el cerebro llegar a implementar todo esto y que funcione perfecto, pero se puede y para eso estoy aquí aprendiendo.
Modelo Operacional
Dia Cero de la etapas
Dia Uno de las etapas
Los pilares de MLOps
Etapas clave de una iniciativa
La integración es el reto más grande
Iniciativa de ciencia de datos
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?