Entrenar un modelo de IA propio con los datos de tu empresa

Qué problema resuelve un modelo propio

Los modelos de propósito general son buenos en casi todo y precisos en poco. Cuando tu operación tiene su propio vocabulario, sus categorías y sus reglas, un prompt cada vez más largo deja de alcanzar: las respuestas varían, el costo por llamada crece con el volumen y tus datos viajan a un proveedor externo en cada consulta.

Un modelo entrenado con tus ejemplos aprende cómo clasifica, redacta o decide tu equipo. Suele ser más pequeño, más rápido y más predecible en esa tarea concreta. Y como los pesos quedan contigo, puedes desplegarlo en tu nube o en tus servidores, como explicamos en IA privada on-premise.

Para quién tiene sentido entrenar un modelo

No todas las empresas necesitan entrenar un modelo. Tiene sentido cuando se cumplen algunas de estas condiciones. Por ejemplo, una empresa de cobranza podría entrenar un clasificador que lea cada respuesta de un deudor y la marque como promesa de pago, disputa o número equivocado, sin pagar una llamada a un LLM por mensaje. Es un ejemplo ilustrativo, no un caso de cliente.

• Repites la misma tarea de lenguaje miles de veces: clasificar solicitudes, etiquetar documentos, extraer campos o responder en un formato fijo.
• Tienes ejemplos históricos de cómo lo hace bien tu equipo, aunque estén en hojas de cálculo, correos o tickets.
• El costo por llamada a una API, la latencia o la dependencia de un solo proveedor ya son un problema.
• Tus datos no deberían salir de la empresa por política interna o por regulación.

Cómo trabajamos, paso a paso

Cada proyecto empieza pequeño y se mide antes de crecer:

1. Definimos la tarea y la métrica: qué debe responder el modelo, qué error sale caro y contra qué lo vamos a comparar.
2. Revisamos y preparamos los datos: limpiamos ejemplos, etiquetamos los casos dudosos y separamos un conjunto de prueba que el modelo nunca ve.
3. Elegimos la técnica: fine-tuning de un LLM abierto, destilación de un modelo grande en uno pequeño o un clasificador clásico si con eso alcanza.
4. Entrenamos y evaluamos contra la línea base —por ejemplo, el LLM con prompt que usas hoy— sobre tus propios casos.
5. Desplegamos el modelo detrás de una API, lo conectamos con tus sistemas y dejamos un procedimiento de reentrenamiento.

Qué entregamos

No te quedas con un notebook, sino con algo que tu equipo puede operar:

• Los pesos del modelo entrenado, bajo tu control.
• El conjunto de evaluación y un reporte de resultados frente a la línea base.
• Una API o un servicio listo para desplegar en tu nube o en tus servidores.
• Documentación del proceso de datos y un procedimiento de reentrenamiento.
• Acompañamiento en la primera puesta en producción.

Tecnologías y técnicas

Trabajamos con modelos de pesos abiertos (open-weight) y con la técnica que mejor encaja en cada caso: fine-tuning completo o eficiente con LoRA y QLoRA, destilación de conocimiento desde un LLM grande, clasificadores calibrados y embeddings para búsqueda. El stack habitual incluye Python, PyTorch y el ecosistema de Hugging Face, con el modelo servido por API en contenedores.

Un ejemplo público es Falco, nuestro proyecto de código abierto: un LLM etiqueta tus textos una vez y Falco usa esas etiquetas para entrenar un clasificador pequeño y calibrado que responde en milisegundos, sin pagar por llamada. Es la misma idea que aplicamos en proyectos a la medida. Si el problema es de predicción sobre datos tabulares y no de lenguaje, lo abordamos con modelos de machine learning.