Gcp

Tres proyectos reales de IA en banca, contados con honestidad: cuándo la IA paga (pricing dinámico), cuándo es una regla de negocio disfrazada (3 if vs un modelo opaco) y cuándo el proyecto real era ingeniería de datos, no un modelo. La madurez en IA es saber cuándo no usar ninguno.

Cinco modelos, cinco definiciones de "ingreso promedio", ninguna mal a propósito —y un bug en producción. El training-serving skew, qué resuelve realmente un feature store (una definición, dos consumos) y, sobre todo, cuándo NO usarlo.

Del notebook a un endpoint real en cuatro pasos: empaquetar con dependencias fijadas, subir al Model Registry, desplegar y validar el contrato de entrada. Lo mínimo que de verdad funciona en producción, en 2026, sin montar el serving a mano.

Migrar reportería a BigQuery no es copiar tablas. Los 5 errores que casi hacen fracasar una migración en banca regulada: lift-and-shift, el costo escondido del modelo columnar, tipos que pierden precisión, zonas horarias que descuadran cortes regulatorios, y migrar sin prueba de paridad.

El 95% de exactitud en el notebook no significa nada si el modelo se cae en producción. Los tres asesinos reales (data drift, dependencias, supuestos de input) y el MLOps mínimo viable con Vertex AI y Evidently — sin Kubernetes.