{"id":17111,"date":"2025-05-07T12:33:22","date_gmt":"2025-05-07T19:33:22","guid":{"rendered":"https:\/\/www.couchbase.com\/blog\/?p=17111"},"modified":"2025-06-13T21:54:12","modified_gmt":"2025-06-14T04:54:12","slug":"supercharge-machine-learning-couchbase","status":"publish","type":"post","link":"https:\/\/www.couchbase.com\/blog\/es\/supercharge-machine-learning-couchbase\/","title":{"rendered":"Mejore las aplicaciones de aprendizaje autom\u00e1tico (ML) con Couchbase"},"content":{"rendered":"

Considere este escenario: usted es desarrollador en una empresa de tecnolog\u00eda financiera y uno de sus usuarios recibe una notificaci\u00f3n para preguntarle si hab\u00eda autorizado una transacci\u00f3n internacional por $1.000. En lugar de alarmarse, el usuario hace clic en la opci\u00f3n \"No\", con la seguridad de que su empresa se encargar\u00e1 del resto. En lugar de alarmarse, el usuario hace clic en la opci\u00f3n \"No\", con la seguridad de que su empresa se encargar\u00e1 del resto.<\/p>\n

Entre bastidores, su aplicaci\u00f3n de IA para la prevenci\u00f3n del fraude bloque\u00f3 la compra antes de la respuesta, permiti\u00e9ndole seguir adelante s\u00f3lo si el usuario selecciona \"S\u00ed\". El sistema de detecci\u00f3n de fraudes se mueve r\u00e1pido, muy r\u00e1pido. Revisa la transacci\u00f3n y predice si es fraudulenta o no con una precisi\u00f3n razonable en menos de 50 ms.<\/p>\n

Para hacer predicciones r\u00e1pidas y precisas, su sistema requiere una base de datos en memoria de alto rendimiento como Couchbase, que almacena, recupera y entrega datos como caracter\u00edsticas de ML, perfiles, datos operativos y otra informaci\u00f3n contextual. Velocidad y flexibilidad como estas son las razones por las que las principales empresas de tecnolog\u00eda financiera han elegido Couchbase.<\/p>\n

Revolut, por ejemplo, tiene construy\u00f3 su aplicaci\u00f3n de prevenci\u00f3n del fraude<\/a> para dar servicio a sus m\u00e1s de 12 millones de usuarios. Aunque la detecci\u00f3n de fraudes en tiempo real es un caso de uso popular entre los clientes de Couchbase, vemos que los clientes aprovechan Couchbase para otros casos de uso de alta velocidad como ETA de conductores, detecci\u00f3n de anomal\u00edas, precios din\u00e1micos, previsiones, promociones personalizadas y muchos m\u00e1s. Couchbase Capella es una plataforma de base de datos como servicio (DBaaS) que simplifica el desarrollo de aplicaciones de IA y reduce la sobrecarga operativa asociada a la gesti\u00f3n de datos.<\/p>\n

El papel de un almac\u00e9n de caracter\u00edsticas<\/h2>\n

Los algoritmos de ML no entienden los datos en bruto, por lo que deben preprocesarse (mediante una t\u00e9cnica denominada ingenier\u00eda de funciones<\/a>) y se transforman en caracter\u00edsticas. Las caracter\u00edsticas ML son los campos m\u00e1s relevantes de un conjunto de datos para resolver un problema de predicci\u00f3n, como la detecci\u00f3n de fraudes. Un almac\u00e9n de caracter\u00edsticas, tanto en l\u00ednea como fuera de l\u00ednea (hablaremos de ello m\u00e1s adelante), permite el almacenamiento, la reutilizaci\u00f3n y el acceso seguro a las caracter\u00edsticas.<\/p>\n

Los desarrolladores de ML dedican aproximadamente el 75-80% de su tiempo a la ingenier\u00eda de caracter\u00edsticas. Para reducir la repetici\u00f3n de este esfuerzo cada vez que se entrena un modelo, los desarrolladores utilizan un almac\u00e9n de caracter\u00edsticas para agilizar sus operaciones de ML. El almac\u00e9n de caracter\u00edsticas en l\u00ednea se utiliza durante el an\u00e1lisis predictivo, o inferencia, para el servicio de baja latencia de las caracter\u00edsticas de ML a los modelos de ML. Antes de que esto ocurra, es necesario entrenar el modelo de ML, lo que se hace con el almac\u00e9n de caracter\u00edsticas offline. Se utiliza para almacenar y gestionar caracter\u00edsticas, que se crean durante la etapa de ingenier\u00eda de caracter\u00edsticas.<\/p>\n

Varios clientes de Couchbase utilizan Apache Spark para trabajos de ingenier\u00eda de caracter\u00edsticas debido a su ecosistema masivo de bibliotecas Python ML para transformaciones y sus capacidades MPP (procesamiento paralelo masivo).<\/p>\n

Para acelerar el desarrollo de aplicaciones de ML, hemos anunciado recientemente algunos bloques de construcci\u00f3n que permiten aprovechar Capella como almac\u00e9n de funciones tanto en l\u00ednea como fuera de l\u00ednea dentro de una plataforma unificada:<\/p>\n

    \n
  1. \n
      \n
    1. Plugins de Feast para aprovechar Couchbase en aplicaciones ML. Feast (abreviatura de Tienda de art\u00edculos<\/i>) es un almac\u00e9n de caracter\u00edsticas de c\u00f3digo abierto, f\u00e1cil de usar y agn\u00f3stico para la nube. Muchos clientes como Revolut ya conf\u00edan en Capella como almac\u00e9n de funciones en l\u00ednea. Capella Columnar<\/a> ofrece las capacidades anal\u00edticas necesarias para una tienda de funciones offline.<\/li>\n
    2. El conector PySpark para Capella acelera la ingenier\u00eda de caracter\u00edsticas combinando las capacidades de procesamiento paralelo masivo de Spark con las capacidades anal\u00edticas de Capella Columnar. Los trabajos de ingenier\u00eda de caracter\u00edsticas implican el procesamiento de columnas relevantes en lugar de filas enteras y, por lo tanto, se pueden acelerar utilizando una base de datos columnar como Capella Columnar.<\/li>\n<\/ol>\n<\/li>\n<\/ol>\n

      Plugins de Feast para Couchbase<\/h2>\n

      Fiesta<\/a> ha sido adoptada por una amplia variedad de organizaciones<\/a> en distintos sectores, como el comercio minorista, los medios de comunicaci\u00f3n, los viajes y los servicios financieros. Los plugins de Feast para Couchbase est\u00e1n disponibles en el proyecto Feast. Los almacenes de funciones online y offline de Feast respaldados por Capella ofrecen las siguientes ventajas:<\/p>\n