PredictorAI: Sistema Pionero de Analítica Predictiva y Redes Neuronales
AIMachine LearningKerasTensorFlowPythonFlaskPredictive Analytics

PredictorAI: Sistema Pionero de Analítica Predictiva y Redes Neuronales

Deployment Date
Repository

PredictorAI: Sistema Pionero de Analítica Predictiva y Redes Neuronales

Resumen Ejecutivo

PredictorAI representa uno de los proyectos pioneros de investigación y desarrollo del autor en el ámbito del Aprendizaje Automático (Machine Learning) y Redes Neuronales Artificiales (ANN). Desarrollado cuando los modelos fundacionales y APIs de IA generativa moderna no estaban extendidos a gran escala, la plataforma implementa una solución de estimación y analítica cuantitativa basada en modelos supervisados entrenados desde cero (red_neuronal_model.h5 en Keras/TensorFlow y regresion_model.pkl en Scikit-Learn), expuestos mediante una API REST en Flask y un tablero analítico en tiempo real.

Situación

En las primeras etapas de adopción del Machine Learning en la industria y academia, las organizaciones dependían de análisis estadísticos manuales o modelos predictivos estáticos incapaces de capturar patrones no lineales en variables operacionales complejas. Existía la necesidad de construir sistemas capaces de ingestar datos continuos, procesarlos a través de pipelines de ingeniería de características (Feature Engineering) y evaluar modelos de regresión y redes neuronales en tiempo de ejecución para realizar inferencias instantáneas.

Objetivo

  1. Diseñar y entrenar modelos cuantitativos de machine learning (Regresión Lineal/Polinomial) y redes neuronales perceptrón multicapa (MLP) utilizando TensorFlow/Keras.
  2. Serializar y empaquetar los modelos entrenados (.pkl y .h5) para servirlos de forma ligera mediante un microservicio en Flask.
  3. Construir una interfaz web interactiva que permita ingresar parámetros operativos en caliente y visualizar gráficos comparativos entre predicciones de regresión vs. red neuronal.

Arquitectura y Desarrollo

El sistema está estructurado bajo un patrón MVC clásico de ciencia de datos y desarrollo backend:

1. Fase de Modelado y Entrenamiento (Python / Keras / Scikit-Learn)

  • Red Neuronal Multicapa (red_neuronal_model.h5): Diseñada en Keras con capas de entrada, capas ocultas densas con funciones de activación ReLU y capa de salida lineal/sigmoide para la estimación de variables objetivo no lineales.
  • Modelo de Regresión (regresion_model.pkl): Entrenado con Scikit-Learn para servir como baseline estadístico comparativo de rápida ejecución.
  • Preprocesamiento: Normalización de datos con StandardScaler y validación cruzada para evitar sobreajuste (overfitting).

2. Microservicio Backend (Flask & Python)

  • Carga de Modelos al Inicio: La aplicación Flask (app/main.py) carga los archivos .h5 y .pkl en memoria durante el arranque del servidor, evitando la latencia de lectura de disco en cada petición.
  • API REST de Inferencia: Endpoint /predict que recibe un payload JSON con los vectores de entrada, realiza la transformación de características e invoca la predicción de ambos modelos simultáneamente.

3. Frontend Interactivo & Visualización

  • Formulario de Parámetros: Interfaz web que permite al analista ingresar rangos numéricos y enviar solicitudes de simulación.
  • Comparador Gráfico: Renderizado de gráficos interactivos que comparan las curvas de tendencia estimadas por el modelo de regresión clásica frente al modelo de red neuronal.

Módulos Especiales / Features Destacadas

1. Inferencia Dual Comparativa

El sistema no solo entrega un resultado, sino que retorna una matriz comparativa entre el modelo lineal clásico (.pkl) y la red profunda (.h5), permitiendo al usuario evaluar la divergencia de predicción según la complejidad de las variables ingresadas.

2. Arquitectura Ligera de Despliegue

Carga optimizada de artefactos de modelo que permite ejecutar inferencias en menos de 30 milisegundos por solicitud sin requerir GPUs dedicadas en el servidor de producción.

Ciclo de Vida de la Predicción

  1. Entrada de Datos: El usuario completa los parámetros en la interfaz gráfica.
  2. Envío de Payload: El cliente realiza un POST JSON al backend Flask.
  3. Preprocesamiento & Transformación: Se escalan los valores numéricos mediante los parámetros del escalador en memoria.
  4. Inferencia Paralela: Ejecución de model.predict() en Keras y regressor.predict() en Scikit-Learn.
  5. Visualización: El cliente recibe la respuesta estructurada y actualiza los indicadores gráficos en pantalla.

Stack Tecnológico Completo

Capa Tecnologías
Deep Learning TensorFlow, Keras (.h5 neural models)
Machine Learning Clásico Scikit-Learn (.pkl regression models), NumPy, Pandas
Microservicio Backend Python 3.10+, Flask, Gunicorn
Frontend HTML5, CSS3, JavaScript, Chart.js / Highcharts

Resultados y Logros

  • Proyecto Hito en IA: Uno de los desarrollos pioneros del autor en la creación e integración de redes neuronales reales entrenadas sobre conjuntos de datos específicos.
  • Inferencia de Baja Latencia: Tiempos de respuesta de predicción inferiores a 30ms en servidores ligeros.
  • Base Técnica Sólida: Demostración práctica de los fundamentos de Machine Learning que sentaron las bases para proyectos posteriores de IA generativa y visión por computador.