Qué problema existía
Los productores y comercializadores de energía necesitan saber con antelación cuánto van a generar sus plantas. Para ello hay que combinar predicciones meteorológicas, históricos de producción y características de cada instalación, con datos que llegan con huecos, retrasos y errores.
Cuál fue mi trabajo
- Tratamiento de datos meteorológicos e históricos de producción.
- Desarrollo, entrenamiento y validación de modelos predictivos, incluidas predicciones a muy corto plazo.
- Calibración y evaluación retrospectiva para medir el error real de cada modelo.
- Backend y APIs para entregar las predicciones a los clientes de forma automática.
Qué aprendí
Que un modelo solo vale lo que vale su evaluación. Antes de discutir algoritmos hay que acordar cómo se mide el error, contra qué referencia se compara y qué ocurre cuando los datos de entrada fallan. Esa disciplina la aplico hoy a cualquier proyecto de datos o de IA.
Por qué importa para otros sectores
Prever demanda, ventas, consumo o producción comparte el mismo esqueleto: datos históricos imperfectos, variables externas, una métrica de error que tiene consecuencias de negocio y un sistema que debe funcionar cada día sin supervisión manual. Por eso la misma forma de entrenar y evaluar modelos me sirve para la predicción de demanda.