Jonhathan Rodas

Datos e IA para la Empresa

[Serie · Aplicación · 3 ensayos]

Cómo democratizar el análisis de datos y el machine learning en empresas medianas usando arquitecturas serverless en AWS: predicciones accionables y consultas en milisegundos por unos pocos dólares al mes, sin un equipo de Data Science.

Sobre la serie

La analítica avanzada tiene fama de ser cara y de exigir un equipo dedicado. En una empresa mediana esa creencia se vuelve profecía autocumplida: como el presupuesto no alcanza para un data warehouse y tres científicos de datos, no se intenta, y la organización sigue decidiendo con hojas de cálculo.

Esta serie documenta el camino contrario. Arquitecturas serverless sobre AWS que cuestan unos pocos dólares al mes, se operan sin equipo dedicado y entregan dos cosas que la empresa sí puede usar: consultas en milisegundos sobre el histórico completo, y predicciones que llegan a tiempo para cambiar una decisión.

Qué cubre la serie

La base analítica. Lakehouse serverless con DuckDB y Lambda describe la pieza central: Parquet en S3, DuckDB dentro de una función Lambda y un patrón de consulta que responde en milisegundos sin un clúster encendido. Incluye el diseño de particiones, los límites reales del enfoque y en qué punto conviene abandonarlo.

La capa predictiva. Predicción de margen con SageMaker Autopilot muestra cómo se pasa de datos históricos limpios a un modelo en producción sin escribir el modelo: qué hace bien AutoML, qué sigue siendo trabajo del arquitecto, y cómo se valida que la predicción sirva para algo antes de exponerla al negocio.

El encuadre. El futuro del análisis financiero sitúa lo anterior en su contexto: qué cambia en la práctica del análisis financiero cuando la predicción deja de ser un proyecto y pasa a ser infraestructura disponible.

El criterio que atraviesa la serie

Ninguna de estas piezas empieza por la tecnología. Empiezan por una pregunta que el negocio ya se hace y no puede responder, y llegan a la arquitectura más pequeña que la responde de forma verificable. El orden importa: invertirlo es la manera más común de construir una plataforma de datos correcta que nadie consulta.

Para quién es

Para arquitectos de soluciones, líderes de IT y responsables de datos en empresas medianas (especialmente donde no hay equipo de Data Science y no lo va a haber) que necesitan resultados analíticos defendibles con presupuesto y personal reales.