En 2021, tres colegas que trabajaban en consultoría de datos para multinacionales decidimos que las pymes colombianas merecían acceso al mismo tipo de herramientas analíticas. El problema no era la tecnología, que ya existía y en muchos casos era de código abierto. El problema era la traducción: ¿cómo pasar de un algoritmo en un notebook de Jupyter a un proceso que funcione todos los días dentro de un ERP o un sistema de facturación real?
Empezamos con un proyecto para una distribuidora de alimentos en Cartagena. Su gerente de operaciones quería saber cuántas unidades de cada producto pedir cada semana sin depender del instinto de los compradores. Construimos un modelo de series de tiempo que se alimentaba del historial de ventas, el calendario de festivos y datos climáticos públicos. En ocho semanas el modelo estaba en producción.
Ese primer cliente nos recomendó con dos empresas más. Un año después teníamos siete contratos activos y la necesidad de contratar a nuestro cuarto ingeniero.
Modelo de pronóstico de demanda para distribuidora de alimentos. Tres cofundadores, una oficina compartida en Manga.
Siete clientes activos en Bolívar y Atlántico. Contratamos al primer ingeniero de MLOps para manejar despliegues en la nube.
Dos clínicas privadas y una cooperativa financiera nos contrataron para clasificación de riesgo y análisis de imágenes médicas. El equipo creció a nueve personas.
Nos mudamos a Camino Lucía, 81. Inauguramos un laboratorio de pruebas con GPU dedicada para entrenar modelos de visión por computadora sin depender exclusivamente de la nube.
Operamos en 12 sectores industriales. El 91 % de nuestros clientes han contratado un segundo proyecto con nosotros.
Queremos que cada empresa mediana en Colombia pueda tomar decisiones basadas en datos sin necesitar un departamento de ciencia de datos interno. Nuestro trabajo consiste en construir la solución, dejarla funcionando y enseñar a su equipo a interpretarla y mantenerla.
Le explicamos qué hace el modelo, qué datos usa y dónde puede fallar. Entregamos documentación que su equipo de TI puede leer sin necesitar un doctorado. Si un modelo tiene un margen de error del 8 %, se lo decimos antes de ponerlo en producción, no después.
Antes de escribir una línea de código, definimos con usted las métricas de éxito: reducción de costos en pesos, tiempo ahorrado en horas por semana, precisión mínima aceptable. Si al final del proyecto no alcanzamos esas métricas, extendemos el soporte sin costo adicional hasta lograrlo o le devolvemos el 30 % del valor del contrato.
No creamos dependencia. Cada proyecto incluye entre 8 y 16 horas de capacitación para las personas que van a operar la herramienta. Les enseñamos a reentrenar el modelo cuando cambien las condiciones del negocio y les dejamos scripts documentados para hacerlo.
Trabajamos con datos sensibles de pacientes, clientes bancarios y empleados. Aplicamos anonimización antes de que los datos salgan de su infraestructura. Nunca almacenamos datos de producción en nuestros propios servidores una vez terminado el proyecto.
Somos 14 personas. La mayoría vive en Cartagena, aunque dos ingenieros trabajan desde Medellín y Bogotá. Nos reunimos presencialmente cada seis semanas para revisar proyectos y planificar los siguientes.
Cofundadora y directora de proyectos
Ingeniera industrial de la Universidad de Cartagena con maestría en analítica de datos en la Universidad de los Andes. Antes de fundar la empresa, lideró proyectos de optimización logística para una naviera durante cinco años.
Cofundador y líder técnico
Matemático de la Universidad Nacional con experiencia en modelado estadístico para el sector financiero. Diseña la arquitectura de los modelos y supervisa su rendimiento en producción. Ha publicado dos artículos sobre detección de fraude en conferencias latinoamericanas de machine learning.
Ingeniero de MLOps
Se encarga de que los modelos funcionen de forma estable una vez desplegados. Configura pipelines de CI/CD, monitoreo de drift y alertas automáticas. Trabaja con Kubernetes, Airflow y MLflow desde hace cuatro años.
Científica de datos senior
Especialista en procesamiento de lenguaje natural. Diseñó el sistema de clasificación de tickets para una aseguradora que redujo el tiempo de enrutamiento de solicitudes de 12 minutos a 40 segundos por caso.
El resto del equipo incluye cuatro ingenieros de software, dos analistas de datos junior, un diseñador de interfaces para dashboards y una coordinadora administrativa. Cuando un proyecto requiere conocimiento especializado que no tenemos internamente, como regulación médica o normativa financiera, trabajamos con consultores externos bajo acuerdos de confidencialidad.