- \n
- \nDesaf\u00edo<\/div>\nMejorar la precisi\u00f3n de la predicci\u00f3n del periodo para los usuarios de aplicaciones<\/div>\n<\/li>\n
- \n
Soluci\u00f3n<\/div>\nModelos lineales y arb\u00f3reos para predecir mejor el ciclo menstrual<\/div>\n<\/li>\n- \n
Tecnolog\u00edas y herramientas<\/div>\nAprendizaje autom\u00e1tico: modelos de regresi\u00f3n y gradient boosting Cient\u00edfico (Predictive Analytics Python stack): Python, NumPy, scikit-learn, LightGBM, XGBoost; Aplicaci\u00f3n web: hug (marco web), Gunicorn (servidor web)<\/div>\n<\/li>\n<\/ul>\n<\/div>\nCliente<\/h2>\n
El cliente es una empresa de medios de comunicaci\u00f3n y entretenimiento con sede en Jap\u00f3n. La empresa ofrece diversas aplicaciones para armonizar las diferentes necesidades de los clientes en todo el mundo.<\/p>\n
El cliente ha desarrollado una aplicaci\u00f3n de an\u00e1lisis predictivo. Se trata de un rastreador de periodos que ofrece informaci\u00f3n valiosa sobre el ciclo menstrual. Su objetivo es seguir y predecir el periodo (pr\u00f3ximo d\u00eda de menstruaci\u00f3n, duraci\u00f3n del periodo, d\u00eda de ovulaci\u00f3n, probabilidad de concepci\u00f3n) y ofrece al usuario un hilo de conversaci\u00f3n.<\/p>\n
El cliente buscaba expertos en aprendizaje autom\u00e1tico como servicio<\/a> y pidi\u00f3 a nuestro equipo que mejorara la precisi\u00f3n general de la predicci\u00f3n.<\/p>\n
Reto: mejorar la precisi\u00f3n de la predicci\u00f3n del periodo para los usuarios de la aplicaci\u00f3n<\/h2>\n
A pesar de la abundancia de aplicaciones de seguimiento de la menstruaci\u00f3n en el mercado de aplicaciones m\u00f3viles, las mujeres siguen teniendo problemas para realizar un seguimiento de sus periodos mediante aplicaciones de predicci\u00f3n o tienen problemas para quedarse embarazadas. Puede haber varias razones para ello, pero una cosa sigue siendo la misma: la precisi\u00f3n de predicci\u00f3n que ofrecen las aplicaciones modernas.<\/p>\n
Recientemente, hemos completado un proyecto similar relacionado con la predicci\u00f3n del ciclo menstrual para una famosa startup. Este proyecto puede ser un buen ejemplo de miner\u00eda de datos predictiva.<\/p>\n
Tener experiencia en desarrollo de aplicaciones de an\u00e1lisis predictivo<\/a>Nos complace compartir nuestra experiencia con el cliente y ayudarle con una soluci\u00f3n precisa y eficaz.<\/p>\n
Nuestro equipo se enfrent\u00f3 al reto de mejorar la soluci\u00f3n actual para las predicciones de periodos sin afectar al rendimiento de la aplicaci\u00f3n.<\/p>\n
Soluci\u00f3n: modelos lineales y arb\u00f3reos para predecir mejor el ciclo menstrual<\/h2>\n
Sabiendo que la aplicaci\u00f3n de predicci\u00f3n tiene muchos usuarios, tuvimos que optar por una soluci\u00f3n robusta que fuera lo suficientemente fuerte como para procesar miles de peticiones de usuarios por minuto. Para lograrlo, decidimos utilizar modelos predictivos basados en aprendizaje autom\u00e1tico.<\/p>\n
El enfoque habitual para el desarrollo de aplicaciones predictivas consiste en utilizar t\u00e9cnicas de miner\u00eda de datos.<\/p>\n
Nuestra tarea principal era predecir el n\u00famero de d\u00edas que faltan para que comience el siguiente ciclo menstrual en cualquier d\u00eda del ciclo actual. Se obtuvo la siguiente informaci\u00f3n hasta el d\u00eda actual del ciclo (registros de menstruaciones anteriores, informaci\u00f3n del perfil de la usuaria, registros de peso, registros de temperatura, historial de eventos anteriores, eventos ocurridos durante el ciclo actual). Todos estos datos son completamente an\u00f3nimos, no tenemos acceso a los datos personales de las usuarias.<\/p>\n
Con toda esta informaci\u00f3n, podr\u00edamos calcular la pr\u00f3xima fecha de inicio de la menstruaci\u00f3n mediante la siguiente f\u00f3rmula: fecha actual + d\u00edas restantes previstos.<\/p>\n
Eche un vistazo a nuestro enfoque:<\/p>\n
![\"Planteamiento](\"https:\/\/essidsolutions.com\/wp-content\/uploads\/2020\/04\/scheme-process.png\")
<\/p>\nNuestro equipo tom\u00f3 los datos brutos y extrajo algunas caracter\u00edsticas num\u00e9ricas. A continuaci\u00f3n, utilizamos las caracter\u00edsticas y el objetivo calculado (el n\u00famero de d\u00edas que faltan para que empiece el ciclo) para entrenar un modelo que fuera capaz de predecir el mismo objetivo pero para los nuevos usuarios.<\/p>\n
Nuestro equipo ha elegido modelos predictivos lineales porque son m\u00e1s r\u00e1pidos de entrenar que otros enfoques de aprendizaje autom\u00e1tico, como las redes neuronales. Adem\u00e1s, los modelos lineales requieren menos memoria RAM. Y es mucho m\u00e1s f\u00e1cil implementarlos tanto en el servidor como en la aplicaci\u00f3n.<\/p>\n
Propusimos una fase de investigaci\u00f3n de datos. Los principales objetivos de esta fase son estimaci\u00f3n de la precisi\u00f3n alcanzable mediante un enfoque de aprendizaje autom\u00e1tico<\/a>para determinar los tipos de datos valiosos para las predicciones y seleccionar las clases de modelos para su posterior modelizaci\u00f3n.<\/p>\n
Los resultados de la fase propuesta son:<\/p>\n
- \n
- Prototipo de modelo para la predicci\u00f3n de la duraci\u00f3n de los ciclos<\/li>\n
- Prototipo de modelo para predecir la duraci\u00f3n del periodo<\/li>\n
- Informe de prueba de concepto (incluida la evaluaci\u00f3n de los modelos entrenados y su comparaci\u00f3n con la soluci\u00f3n existente).<\/li>\n
- API de demostraci\u00f3n<\/li>\n<\/ul>\n
Resultado: soluci\u00f3n basada en datos para una predicci\u00f3n m\u00e1s precisa del ciclo menstrual<\/h2>\n
ESSID Solutions, con experiencia en el desarrollo de aplicaciones de miner\u00eda de datos y an\u00e1lisis predictivo, ha proporcionado al cliente una soluci\u00f3n de gran capacidad para mejorar significativamente la precisi\u00f3n de la aplicaci\u00f3n de seguimiento del periodo.<\/p>\n
El cliente se ha beneficiado de la cooperaci\u00f3n con nosotros en los siguientes aspectos:<\/p>\n
- \n
- mayor precisi\u00f3n en la predicci\u00f3n de periodos, hasta 15%<\/li>\n
- hacer predicciones para las mujeres con periodos irregulares<\/li>\n
- ayuda al cliente a gestionar m\u00e1s eficazmente la gran cantidad de datos que posee<\/li>\n
- recomendaciones sobre c\u00f3mo aplicar la predicci\u00f3n de la ovulaci\u00f3n en la aplicaci\u00f3n<\/li>\n<\/ul>\n
Trabajemos en su Aplicaci\u00f3n de predicci\u00f3n basada en aprendizaje autom\u00e1tico<\/a><\/h3>","protected":false},"excerpt":{"rendered":"
- \n