Tres prácticas. Cada una se cierra con un sistema.

01

Ingeniería de datos

Cuando cada informe sale de un sitio distinto, la conversación se va en reconciliar números. Montamos el camino de los datos: de donde nacen a la tabla que el equipo abre. La orquestación va en Airflow o Dagster, y el volumen se procesa en Databricks, BigQuery o Spark, según la cuenta que ya tenéis.

Qué se construye

• Ingesta y transformación con pruebas, no con un script suelto
• Orquestación en Airflow o Dagster, con reintentos y un sitio donde ver qué falló
• Proceso en Databricks, BigQuery o Spark, sin mudar de plataforma para una demo

Qué queda. Un pipeline que se puede volver a correr y un modelo que otra persona puede leer.

02

Aplicaciones de IA

Un chat pegado a la web no es un sistema. El agente o el chatbot hace un trabajo concreto — clasificar, redactar un borrador, buscar en vuestros documentos — y deja claro qué revisa una persona.

Qué se construye

• Un agente con herramientas acotadas, entrada y salida definidas
• Evaluación con ejemplos vuestros, no con una demo genérica
• Límites: qué no debe contestar el sistema y dónde se corta

Qué queda. Una aplicación que el equipo usa en su trabajo, con una forma de saber si empeora.

03

Ciencia de datos

Partimos de la decisión, no del algoritmo. Si un recuento bien hecho basta, no hay modelo. Si hace falta predecir o explicar, el resultado se puede defender delante de quien decide.

Qué se construye

• La pregunta y la métrica, escritas antes del análisis
• El análisis reproducible, con los datos y las suposiciones a la vista
• Una recomendación de qué hacer, y de qué no concluir

Qué queda. Una respuesta que se puede repetir cuando cambien los datos.