• “Tengo datos pero están desparramados por toda la empresa”
• “Quisiera tener todos los datos en un solo lugar y no sé cómo abordar la nube”
• “Los datos están en diferentes formatos y no se pueden cruzar”
• “Quiero empezar a trabajar con datos y armar mi equipo”

El enfoque foundations está pensado para aquellas empresas que necesitan diseñar y consolidar una arquitectura de datos. Lo más importante es que tu organización pueda apropiarse de los datos y que éstos estén a tu disposición, y no al revés. 

_

deployr foundations se centra en la construcción de un data lake / data warehouse y en la capacitación en su uso y explotación mediante herramientas de BI.

• “Tenemos algo de datos, pero es complicado dominarlos”
• “Perdemos mucho tiempo trabajando en darle forma a los datos antes de hacer ciencia con ellos”
• “Queremos hacer proyectos de analítica avanzada pero no sabemos por dónde empezar”

El enfoque science es ideal para aquellas organizaciones que tienen datos pero les cuesta dar el primer paso en analítica avanzada ya sea por desorden en los datos o por no saber cómo y dónde el machine learning puede aportar valor al negocio.

_

deployr science se centra en el diseño de proyectos de machine learning orientados a negocio, involucrando el data discovery como una parte crucial del proceso.

• • Tenemos algunas personas haciendo ciencia de datos pero no sabemos cómo ponerlos en producción ni qué implica hacerlo”
  • “Tenemos un equipo de ciencia trabajando pero aún no ha impactado en el negocio”
  • “Tenemos dificultades para encontrar oportunidades de aplicar machine learning en el negocio”
  • “No logramos compatibilizar las necesidades de los distintos equipos de la empresa y llegar a puntos de acuerdo”

   

  El enfoque models busca ayudar a equipos de analítica avanzada a poner en producción sus primeros modelos y a incorporar principios de machine learning engineering para el aprovechamiento eficaz de oportunidades de negocio.

  _

  deployr models se centra en la puesta productiva de modelos de machine learning y en la adopción de las mejores prácticas de la ingeniería de software para contar con una solución escalable, segura y eficiente.

• “Ya tenemos modelos en producción pero perdemos mucho tiempo en procesos manuales”
• “No encontramos forma de centralizar los modelos y procesos de experimentación”
• “Queremos estandarizar nuestros procesos de ciencia e ingeniería de datos para poder escalar automáticamente”
• “Tenemos dificultades para articular el trabajo del equipo de datos con otros equipos técnicos de la compañía”

El enfoque pipelines está pensado para las organizaciones más maduras en términos de adopción de datos: aquí se busca la automatización completa de los procesos, incorporando todas las etapas del framework MLOps para la puesta en producción de modelos.

_

deployr pipelines se centra en la implementación de prácticas de CI/CD/CT para llevar los procesos de analítica y machine learning a su estadío más profesional.