// Proyecto · ML · Pipeline Híbrido · Producción
Construí ClarityBank para demostrar que la IA en producción requiere pensar en coste, latencia y privacidad. Un pipeline de dos niveles: modelo local para el 84% de los casos, LLM solo cuando realmente lo necesita. 96.1% de precisión combinada.
// Métricas del proyecto
El problema
Coste desproporcionado. Enviar cada transacción a un LLM grande cuesta ~€1,909/mes para 2.1 millones de transacciones. El 84% de esos casos los resuelve un modelo local por €84.
Latencia innecesaria. Para transacciones claras, una llamada a API añade latencia sin aportar valor. El modelo local tarda ~55ms; el LLM, segundos.
PII sin protección. Los datos bancarios contienen información personal sensible. Enviarla a una API externa sin anonimización previa incumple GDPR y genera riesgo real.
Evaluación deshonesta. Muchos sistemas reportan accuracy sin separar train/test correctamente, sin manejar desbalanceo de clases ni declarar umbrales de decisión explícitos.
PASO 01
Presidio (NER) + regex detecta y sustituye nombres, IBANs y datos personales antes de que salgan del sistema. 100% recall de PII, 0 falsos positivos en datos de prueba.
PASO 02
Modelo local clasifica la transacción. Si la confianza supera 0.70, devuelve resultado sin llamar al LLM. 91.2% accuracy en test set, ~55ms de latencia media. Cubre el 84% de los casos.
PASO 03
Solo el 16% de transacciones ambiguas llegan a Azure OpenAI gpt-4o-mini. La precisión combinada sube al 96.1%. Coste total: ~€84/mes para 2.1M transacciones.
PASO 04
Pipeline paralelo que marca el 1.2% de transacciones como atípicas para revisión manual. Completamente independiente del pipeline de clasificación, sin interferir en latencia.
Ni ML puro ni LLM puro. Cada nivel resuelve lo que mejor sabe hacer, coordinados por un FastAPI que gestiona el routing según confianza.
Tecnologías
El sistema decide autónomamente qué nivel invocar según la confianza del modelo local. €84 vs €1,909/mes para el mismo volumen — reducción del 95.6% sin sacrificar precisión.
Ningún dato personal sale del sistema sin ser anonimizado primero. 100% recall de PII en datos de prueba, integrado como capa obligatoria del pipeline, no opcional.
Umbral de decisión declarado explícitamente (0.70), PR-AUC como métrica primaria para datos desbalanceados, separación train/test sin data leakage verificado por assertions.
Suite de tests que cubre el pipeline completo: clasificación, anonimización, detección de anomalías y routing. Sin mocks de conveniencia que enmascaren comportamiento real.
Relevante si...
Menos relevante si...
Proyectos relacionados
Detección de fraude sin etiquetas de fraude. PR-AUC 0.37 frente a 0.11 del baseline. Demo en navegador.
Ver caso completo → RAG · Azure AI Search · FastAPIMulti-asistente con un índice por asistente, búsqueda híbrida y fallback honesto. 56 tests, construida en 7 días.
Ver caso completo →Contacto
30 minutos. Sin compromiso. Si veo que puedo ayudarte, te lo digo. Si no, también.
Agendar videollamada →