Modelos real-time en la vida real

Simulaciones instantáneas que representan nuestra rutina diaria.

Cuando pensamos en modelos en tiempo real nos enfocamos en dos cosas:
1. Predicciones en tiempo real.
2. Aprendizaje en tiempo real.

Donde básicamente captamos datos del entorno físico mediante dispositivos y permitimos una actualización constante de un modelo elaborado. El ejemplo más mainstream en la actualidad es el robot de Tesla:

La popularidad claro es por el concepto de “gemelo digital” (digital twin), que se usa mucha en la industria de la predicción, donde se crea un modelo virtual de un sistema o equipo físico (como un motor o una línea de producción) que se actualiza en tiempo real. Así por ejemplo, si un sensor en el motor detecta un cambio de temperatura, ese cambio se reflejará en el modelo digital, permitiendo realizar análisis, predecir fallos o tomar decisiones basadas en datos al instante, y eso va a repercutir directamente en el producto, en este caso el robotsito de Tesla.

¿Por qué debes entenderlo?

Con clientes diariamente conversamos sobre la necesidad de hacer un proceso más adaptable a lo que sus usuarios quieren, donde la agilidad en la entrega o el delivery de la oferta predomina sobre otros requerimientos.
Entonces para mi hay 4 razones claves por que debes saberlo:

1. Experiencia de usuario: Las respuestas síncronas aumentan el engagement de retención.
2. Puedes usar muchos features/tools dinámicos en la actualidad.
3. Conjuntos de posibles inputs muy grandes y desconocidos: donde tus procesos deben estar diseñados para manejar una gran variedad sin fallas sin en algún momento buscas escalar tu negocio.
4. Procesamiento más eficiente: Predicciones son generadas únicamente cuando son requeridas.

Si usas Python por ejemplo y vas a la biblioteca FastAPI y quieres crear predicciones usando modelos previamente entrenados prueba con este script. Es un ejemplo básico de cómo desplegar un modelo de machine learning en tiempo real usando esa biblioteca.

¿Necesitas ayuda con tu proyecto?: www.jpconsultory.com

¿Qué requiere una implementación robusta y escalable en un sistema?

Mi recomendación de modelos en real-time en como se estructuran y gestionan datos en estos tipos de sistemas y que recomiendo leer o saber más:

1. Pipeline real-time: Se usan en sistemas donde los datos deben ser procesados “para ayer” y no esperar a que se acumulen en grupos o lotes. Aquí es necesario preparar la recepción de los datos/características de diversas fuentes: Payloads (pre-requisitos), Feature store (batch/features históricas), Eventos (streaming/features dinámicas). Todos los datos deben ser equivalentes, ya que estos “features” provienen de diversas fuentes y deben ser consistentes entre entramientos (del modelo) y predicción.

2. Inferencia rápida: Hecho en milisegundos, predicciones de machine learning de forma instantánea, por lo general se ve en apps que usas en tu día a día donde cualquier retraso se ve directamente reflejado en la experiencia de usuario y la eficacia del sistema. Entonces la recomendación aquí es apuntar a un modelo más leve con mayor escalabilidad y mejor costo-beneficio.

Revísalos, estos conceptos son esenciales en caso que en algún momento quieras adaptar Inteligencia Artificial entre tus sistemas y tus clientes, ya que tienes que aprender de que tus procesos o tus mecanismos en como operas el negocio deben responder a eventos en el momento en que suceden, como detección de fraudes, aplicaciones de recomendación, o sistemas de monitoreo en salud o seguridad, muestreo de catálogos, entre otros.

Gracias por tu tiempo.
Si tienes otra duda, escríbeme.
Ironpiri.