Machine Learning en IBM Cloud (Watsonx.AI)

 

¡Hola, comunidad tech! 🤓 Hoy quiero compartirles mi experiencia (de principiante total, nada de gurú 🤷‍♂️) probando los servicios de Watsonx.ai (antes llamado AutoAI) de IBM Cloud para hacer un análisis de Churn (retención de clientes) en una empresa de telecomunicaciones. Aquí les dejo un recuento de lo que hice paso a paso, junto con algunas imágenes 📸.

¡Espero que les sirva de inspiración para sus experimentos de AI y Machine Learning! 🚀

---

1. Activar la cuenta en IBM Cloud

Lo primero que necesitan (si no lo tienen ya) es crear una cuenta gratuita en IBM Cloud. IBM ofrece un Tier Gratuito (Lite) para varios de sus servicios, así que pueden probar sin miedo a que les llegue una mega factura a fin de mes. 💸

Tip divertido: Si están en América, seleccionen la región de Dallas, TX para que todo corra un poco más rápido (ya saben, la latencia es más amable cuando está más cerca).

2. Crear un Storage Location (Cloud Object Storage)

Antes de entrar a Watsonx.ai Studio, debemos crear un lugarcito para almacenar nuestros archivos y modelos. En las imágenes, verán cómo fui a Cloud Object Storage y configuré un “bucket” (o contenedor) para mis assets (modelos, CSV, etc.).

En la primera imagen pueden observar cómo luce la consola de IBM Cloud y la sección de Cloud Object Storage, donde definí mi ubicación de almacenamiento. 🗄️

3. Activar Watsonx.ai Studio y Watson AI Runtime

Con nuestro almacenamiento listo, ahora toca activar Watsonx.ai Studio y Watson AI Runtime (que antes se llamaba Watson Machine Learning). Importante elegir el plan Lite para mantenerse en el Tier Gratuito.

En la siguiente imagen podrán ver los servicios que vamos a usar de Watsonx.ai Studio y el Runtime en la región de Dallas. Esto es necesario para poder correr nuestros experimentos de manera automática o manual (Notebooks con Python, R, etc.). 🧑‍💻

4. Crear un nuevo proyecto en Watsonx.ai Studio

Una vez dentro de Watsonx.ai Studio, la aventura continúa. Hacemos clic en “Create a project”, le damos un nombre (por ejemplo, “Churn Telco Project” o “SalvandoClientes Project” 😄) y vinculamos el almacenamiento que creamos en Cloud Object Storage.

En la imagen se muestra cómo, dentro de la pestaña “Assets”, podemos subir nuestros archivos. Allí subí el CSV con los datos de clientes de telecomunicaciones (descargado de Kaggle, donde hay montones de datasets gratis para practicar).

5. Explorar las opciones (AutoAI, Notebooks, R, etc.)

Aquí viene lo cool: Watsonx.ai (AutoAI) te da la opción de crear un modelo de machine learning automáticamente sin que tengas que programar todo a mano (aunque igual puedes usar notebooks de Python o R si prefieres la vía old school 👨‍🏫).

En la siguiente imagen se ve la pantalla donde escoges New Asset → Build machine learning models automatically (previamente AutoAI). Nombras el modelo, eliges el Watson AI Runtime y defines el ambiente de ejecución. Después seleccionas tu CSV con los datos a analizar.

6. Definir el objetivo: ¿Churn o no Churn?

El dataset de ejemplo buscaba predecir si el cliente iba a cancelar o no (Churn). Entonces, AutoAI detecta que es una clasificación binaria y te pregunta qué métrica de evaluación quieres optimizar (Accuracy, en mi caso) y cuánto tiempo de ejecución le das para intentar distintos algoritmos.

Tip gracioso: Yo puse la meta en “Maximizar Accuracy” porque quería ver qué tan bien predecía. Pero en la vida real, quizás necesites fijarte en Precision, Recall o el F1 Score, dependiendo de tu problema. ¡Ojo que la estadística manda! 🤓

7. ¡Ejecutar el experimento y que empiece la magia!

Aquí me voy a poner un poco NERD, pero si se dan cuenta en la imagen se está usando CRISP-DM (Cross-Industry Standard Process for Data Mining) que es una metodología que describe, de manera estructurada y escalonada, cómo llevar a cabo proyectos de análisis de datos y minería de datos.

Con todo configurado, presionamos Run y… 🏎️ ¡A correr se ha dicho! En cuestión de minutos, AutoAI probó varios modelos como LGBM (Light Gradient Boosting Machine) y Extra Trees.

En la captura de pantalla (Pipeline 4, por ejemplo) se aprecia cómo LGBM obtuvo la mejor combinación entre Accuracy y tiempo de ejecución, por lo que salió ganador. 🏆

8. Revisar la Matriz de Confusión y Métricas

Al seleccionar el mejor pipeline, puedes ver la Matriz de Confusión (que básicamente muestra cuántos de los clientes fueron predichos como “Churn” correctamente y cuántos no) y las métricas:

• Precision: de todas las predicciones de Churn, cuántas fueron correctas.
• Recall: de todos los clientes que realmente hicieron Churn, cuántos capturó el modelo.
• F1 Score: combinación de Precision y Recall en una sola métrica.

En las imágenes respectivas verán un reporte detallado de estas métricas del Pipeline seleccionado.

9. Exportar el modelo y Publicar el API

¿Se imaginan tener que programar manualmente cada paso en Python o R para comparar estos algoritmos y parámetros? Sí, es posible… pero AutoAI te ahorra un montón de tiempo y dolores de cabeza. Una vez terminas, puedes exportar el modelo (por ejemplo a Python) o publicar un endpoint (API) para que otros sistemas consuman la predicción.

Aquí es donde entra la decisión empresarial: de nada sirve un modelo con 99% de accuracy si tu negocio no lo puede usar. Recuerden que la tecnología es la herramienta, pero las decisiones las tomamos nosotros. 🤔

10. Reflexiones finales

Me divertí un montón viendo cómo en cuestión de minutos estos servicios generaron varios modelos, con experimentos y optimizaciones que habrían llevado mucho más tiempo de hacerlo a mano. Pero no olviden que la clave está en saber qué hacer con esos resultados. Como dicen por ahí, hay que saber qué tornillo apretar. 🔧

Si tienen preguntas o comentarios, ¡estoy a la orden!

No soy ningún experto, pero si algo he aprendido, es que la mejor forma de dominar la AI/ML es ensuciarse las manos con proyectos reales, jugar con datos y no tener miedo de romper nada (para eso está el sandbox en la nube). 😂

¡Gracias por llegar hasta aquí!

Espero que esta mini-guía y mi experiencia (con todo y chistes malos) les sirvan para animarse a probar las capacidades de Watsonx.ai en IBM Cloud. Si se atreven a dar el salto, me encantaría saber cómo les va y qué otros casos de uso se les ocurren.

¡Nos leemos pronto! 🤗