El caso
Mil reseñas por semana, y nadie las lee todas. La tienda necesita saber qué siente el cliente.
La tienda de Isaac recibe reseñas en portugués y, ahora, pedidos de clientes de Argentina. El equipo quiere separar las quejas, descubrir lo que el cliente elogia y traducir las descripciones de los productos sin contratar a una persona más. Ninguna de estas tareas exige un modelo entrenado desde cero.
Este post parte de IA y Machine Learning, que explica los tipos de aprendizaje y el ciclo de un modelo. Para los datos que alimentan estos servicios, el post de Datos y Analytics muestra dónde están.
El problema
Empezar desde cero cuesta caro
Entrenar un modelo propio para cada tarea exige datos etiquetados, tiempo y un equipo que sepa evaluar el resultado. Para la mayoría de las tareas comunes, Google Cloud ya tiene un modelo listo que resuelve el problema.
Tres caminos
Del más listo al más personalizado
Google Cloud ofrece tres caminos para usar IA, desde el que exige menos trabajo hasta el que da más control.
| Camino | Quién lo usa | Qué hace |
|---|---|---|
| APIs listas (pre-trained APIs) | Quien quiere una tarea común resuelta | Llama al servicio por internet, sin entrenar nada |
| BigQuery ML | Quien ya tiene los datos en BigQuery y conoce SQL | Entrena y usa modelos con comandos SQL, donde están los datos |
| Vertex AI | Quien necesita un modelo propio o IA generativa con control | Entrena, evalúa, publica y monitorea modelos, con acceso a los modelos Gemini |
APIs listas
Una tarea común, una llamada
Las APIs listas cubren tareas como entender el sentido de un texto, traducir, transcribir audio y leer documentos. Envías el contenido y recibes la respuesta, sin preocuparte por el modelo que hay detrás.
Análisis de texto (Natural Language)
Descubre si una reseña es positiva o negativa y qué entidades aparecen en ella, como marcas y productos.
Traducción (Translation)
Traduce la descripción de un producto al español antes de abrir la tienda en Argentina.
Lectura de documentos (Document AI)
Lee facturas y extrae campos como el valor total, la fecha y el proveedor, sin escribir nada.
BigQuery ML
Un modelo con SQL, donde están los datos
BigQuery ML permite entrenar, evaluar y usar modelos con comandos SQL, directamente en el data warehouse. Quien ya consulta BigQuery no necesita mover los datos a otro lugar.
En la tienda, el equipo de ventas puede prever la demanda de la próxima semana por categoría usando las ventas que ya están en BigQuery. El resultado vuelve como una tabla, lista para el informe.
Vertex AI
La plataforma para modelos propios
Vertex AI reúne, en un solo lugar, lo necesario para entrenar, evaluar, publicar y monitorear modelos. Da acceso a los modelos Gemini y a un catálogo de modelos listos, Model Garden, con modelos de Google, modelos abiertos y de terceros.
Entrenamiento propio
Llevas tus datos y entrenas un modelo para tu problema, con control sobre cada etapa.
IA generativa
Los modelos Gemini generan texto, resumen documentos y responden preguntas. Puedes ajustarlos (fine-tuning) con tus datos cuando la respuesta estándar no alcanza.
Monitoreo
Revisa si el modelo sigue acertando y puede avisar cuando los datos cambian de patrón, si el monitoreo está configurado, como en el ciclo de un modelo.
En la práctica
Elegir el camino
Empieza por la opción más simple que resuelve el problema. Sube al siguiente nivel solo cuando el anterior no alcance.
Tarea común
Usa una API lista. Si resuelve el problema, no hay nada que entrenar.
Previsión con datos en BigQuery
Usa BigQuery ML, si el equipo conoce SQL y el modelo es simple.
Modelo a medida
Usa Vertex AI, cuando el problema exige un modelo propio o una IA generativa ajustada.
Términos clave
Cinco términos para fijar
Toca la tarjeta para ver la definición.
Prueba rápida
Tres preguntas, estilo examen
01
La tienda quiere traducir las descripciones de los productos al español, sin entrenar ningún modelo. ¿Qué camino debe usar?
02
Los analistas quieren prever la demanda usando las ventas que ya están en BigQuery, escribiendo consultas SQL. ¿Qué camino deben usar?
03
La tienda necesita un modelo a medida, con monitoreo y un asistente generativo ajustado a sus datos. ¿Qué camino debe usar?
En cualquier examen de nube, la pregunta suele ser qué camino resuelve el problema con menos trabajo. El orden es siempre el mismo: primero la API lista, después SQL donde ya están los datos, y solo entonces un modelo propio.