{"id":26850,"date":"2019-04-23T21:29:00","date_gmt":"2019-04-23T21:29:00","guid":{"rendered":"https:\/\/building.nubank.com\/introducing-fklearn-nubanks-machine-learning-library-part-i\/"},"modified":"2024-10-02T00:48:59","modified_gmt":"2024-10-02T00:48:59","slug":"presentando-fklearn-biblioteca-de-aprendizaje-automatico-de-nubank-parte-i","status":"publish","type":"post","link":"https:\/\/building.nubank.com\/es\/presentando-fklearn-biblioteca-de-aprendizaje-automatico-de-nubank-parte-i\/","title":{"rendered":"Presentando fklearn: Biblioteca de aprendizaje autom\u00e1tico de Nubank (Parte I)"},"content":{"rendered":"\n

Lea la Parte II de esta historia <\/em>aqu\u00ed<\/em><\/a>.<\/em><\/p>\n\n\n\n

En Nubank, dependemos en gran medida del aprendizaje autom\u00e1tico para tomar decisiones escalables basadas en datos. Si bien existen muchas otras bibliotecas de ML (usamos ampliamente Xgboost<\/a>, LGBM<\/a> y ScikitLearn<\/a> por ejemplo), sentimos la necesidad de una abstracci\u00f3n de nivel superior<\/strong> que nos ayudara a aplicar estas bibliotecas m\u00e1s f\u00e1cilmente a los problemas que enfrentamos. Fklearn empaqueta eficientemente estas bibliotecas en un formato que hace que su uso en producci\u00f3n sea m\u00e1s efectivo.<\/p>\n\n\n\n

Actualmente, Fklearn impulsa un amplio conjunto de modelos de aprendizaje autom\u00e1tico en Nubank, resolviendo problemas que van desde la calificaci\u00f3n crediticia hasta respuestas automatizadas por chat de atenci\u00f3n al cliente. Lo construimos con los siguientes objetivos en mente:<\/p>\n\n\n\n

    \n
  1. La validaci\u00f3n debe reflejar situaciones de la vida real<\/li>\n\n\n\n
  2. Los modelos de producci\u00f3n deben coincidir con los modelos validados<\/li>\n\n\n\n
  3. Los modelos deber\u00edan estar listos para producci\u00f3n con unos pocos pasos adicionales<\/li>\n\n\n\n
  4. La reproducibilidad y el an\u00e1lisis en profundidad de los resultados del modelo deber\u00edan ser f\u00e1ciles de lograr<\/li>\n<\/ol>\n\n\n\n

    Desde el principio, decidimos que la programaci\u00f3n funcional ser\u00eda un poderoso aliado para intentar lograr estos objetivos.<\/p>\n\n\n\n

    F es de Funcional<\/strong><\/p>\n\n\n\n

    Aqu\u00ed en Nubank, somos grandes admiradores de la programaci\u00f3n funcional<\/a>, y eso no se limita al cap\u00edtulo de Ingenier\u00eda. Pero, \u00bfc\u00f3mo ayuda la programaci\u00f3n funcional a los cient\u00edficos de datos?<\/p>\n\n\n\n

    El aprendizaje autom\u00e1tico se realiza frecuentemente mediante el uso de c\u00f3digo Python orientado a objetos, y esa es la forma en que sol\u00edamos hacerlo tambi\u00e9n en Nubank. En aquel entonces, el proceso de crear modelos de aprendizaje autom\u00e1tico y ponerlos en producci\u00f3n era tedioso y, a menudo, lleno de errores. Implementar\u00edamos un modelo solo para descubrir que las predicciones hechas en producci\u00f3n no coincid\u00edan con las observadas durante la validaci\u00f3n. Es m\u00e1s, la validaci\u00f3n a menudo era imposible de reproducir, y con frecuencia se realizaba en Jupyter Notebooks con estado.<\/p>\n\n\n\n

    La programaci\u00f3n funcional ayuda a solucionar estos problemas al:<\/p>\n\n\n\n