Embeddings distribuidos para recomendación en marketplace fintech LATAM
Visión general
De qué trata este proyecto.
Implementa una arquitectura two-tower con PyTorch distribuido en un marketplace fintech y obtén un certificado verificable.
El escenario
La fintech mueve más de 6.500 millones de dólares estadounidenses anuales en transacciones de productos financieros entre los cuatro países; un 1 % adicional de conversión en recomendaciones equivale a una cifra significativa en ingresos por comisiones.
El Briefing
Lo que harás y lo que demostrarás.
Demostrar que una arquitectura two-tower entrenada de forma distribuida mejora la recomendación frente al filtrado colaborativo actual con tiempo de entrenamiento aceptable.
Earning criteria — what you'll demonstrate
- Diseñar arquitecturas two-tower para recomendación
- Aplicar entrenamiento distribuido sobre múltiples GPUs
- Evaluar sistemas de recomendación con métricas cronológicas
- Argumentar la migración desde un sistema productivo con datos
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Machine Learning at Scale
Master · Ai Systems
Strong alignment
This challenge maps to Machine Learning at Scale at the Master level. It sharpens the same practical skills your coursework expects — but in a real industry context with actual constraints and deliverables.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
- Distributed Training
Apply distributed training to solve real industry problems and demonstrate production-level capability.
- Recommender Systems
Apply recommender systems to solve real industry problems and demonstrate production-level capability.
- Pytorch
Apply pytorch to solve real industry problems and demonstrate production-level capability.
- Embeddings
Apply embeddings to solve real industry problems and demonstrate production-level capability.
- Evaluation
Apply evaluation to solve real industry problems and demonstrate production-level capability.
- Model Serving
Apply model serving to solve real industry problems and demonstrate production-level capability.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Ingeniero/a de Aprendizaje Automático
Entrenar sistemas de recomendación a escala con entrenamiento distribuido y argumentar la migración con métricas es el trabajo cotidiano de una persona MLE en empresas de consumo digital.
Este proyecto afina
- distributed-training
- recommender-systems
- pytorch
Científico/a Aplicado/a de IA
Comparar baselines productivos con nuevos enfoques bajo metodología cronológica refleja la rigurosidad esperada de una persona científica aplicada en fintech.
Este proyecto afina
- embeddings
- evaluation
- recommender-systems
Ingeniero/a de MLOps
Medir throughput de inferencia y planificar costes operativos son habilidades centrales de una persona MLOps en sistemas de recomendación a alta escala.
Este proyecto afina
- model-serving
- distributed-training
- evaluation