Diseña aprendizaje multi-tarea para una fintech en Bogotá
Visión general
De qué trata este proyecto.
Recibes 250.000 clientes anonimizados con features compartidas (uso, antigüedad, saldo, demografía) y las 3 etiquetas. Construye una red multi-tarea con shared encoder + 3 cabezas y un mecanismo de balanceo de pérdidas (uncertainty weighting o GradNorm). Compara contra los 3 modelos independientes con el mismo presupuesto. Evalúa AUC por tarea y reporta si hay positive/negative transfer. Éxito: al menos 1 tarea mejora ≥1 punto AUC sin que ninguna degrade >0.5 puntos.
El Briefing
Lo que harás y lo que demostrarás.
Demostrar si un modelo multi-tarea mejora al menos una tarea sin degradar el resto, vs 3 modelos independientes.
Earning criteria — what you'll demonstrate
- Diseñar arquitecturas con encoder compartido + múltiples cabezas
- Aplicar técnicas de balanceo de pérdidas en multi-tarea
- Detectar y caracterizar transfer positivo y negativo
- Comunicar trade-offs de complejidad arquitectónica
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero/a de Machine Learning
Multi-task con balanceo de pérdidas es habilidad creciente en MLE para reducir el coste de mantener múltiples modelos.
Este proyecto afina
- multi-task-learning
- loss-balancing
- shared-representations
Investigador/a de Machine Learning
Caracterizar transfer positivo y negativo con rigor es trabajo típico de research aplicada en industria.
Este proyecto afina
- multi-task-learning
- transfer-learning
- shared-representations
Científico/a de IA Aplicada
Decidir si la complejidad multi-tarea vale la pena es la mentalidad de aplicación del rol.
Este proyecto afina
- multi-task-learning
- model-evaluation
- transfer-learning