Tutoriales13 min read

Primeros Pasos con AutoML en CorePlexML

CorePlexML Team·27 de febrero de 2026

Introduccion

El machine learning ha transformado practicamente todas las industrias, desde el diagnostico medico hasta la deteccion de fraude financiero y la optimizacion de cadenas de suministro. Sin embargo, para la mayoria de las organizaciones, la barrera de entrada sigue siendo frustrante. Los flujos de trabajo tradicionales de ML exigen experiencia en seleccion de algoritmos, ingenieria de features, ajuste de hiperparametros y estrategias de validacion cruzada. Un solo proyecto puede requerir semanas de iteracion antes de que un cientifico de datos llegue a un modelo digno de ser desplegado.

Automated Machine Learning, o AutoML, cambia la ecuacion por completo. Los sistemas de AutoML automatizan las partes mas laboriosas del pipeline de ML: prueban docenas de algoritmos, generan features, ajustan hiperparametros e incluso construyen modelos de ensamble que combinan las fortalezas de multiples aprendices. El resultado son modelos de calidad de produccion en una fraccion del tiempo, accesibles tanto para cientificos de datos experimentados que desean acelerar su flujo de trabajo como para expertos de dominio que entienden sus datos pero carecen de experiencia profunda en ML.

El motor AutoML de CorePlexML esta construido sobre H2O.ai, uno de los frameworks de ML de codigo abierto mas probados disponibles. Soporta clasificacion, regresion y pronostico de series temporales de forma nativa, y maneja automaticamente tareas como la imputacion de valores faltantes, la codificacion de variables categoricas y el descubrimiento de interacciones entre features. En este tutorial, recorreremos el camino completo desde un dataset en crudo hasta un modelo desplegado, cubriendo cada paso en detalle para que tengas confianza en cada decision a lo largo del proceso.

Paso 1: Carga tus Datos

Todo proyecto de ML comienza con datos. CorePlexML soporta archivos en formato CSV, Excel (XLSX), JSON y XML, y puede manejar datasets que van desde unos pocos cientos de filas hasta varios millones. Cuando cargas un archivo, la plataforma infiere automaticamente los tipos de columna, detecta delimitadores y genera un esquema que puedes revisar y ajustar antes de continuar.

Para cargar a traves de la interfaz, navega a la seccion Datasets en la barra lateral de tu proyecto y haz clic en New Dataset. Arrastra y suelta tu archivo o navega para seleccionarlo. El proceso de carga analiza el archivo, muestrea los datos para inferir tipos (numerico, categorico, fecha, texto) y te presenta un editor de esquema donde puedes renombrar columnas, cambiar tipos inferidos o excluir columnas por completo.

Si prefieres un enfoque programatico, el SDK facilita las cargas:

from coreplexml import CorePlexClient

client = CorePlexClient(
    base_url="https://api.coreplexml.io",
    api_key="your-api-key"
)

# Upload a CSV file to your project
dataset = client.datasets.upload(
    project_id="proj_abc123",
    file_path="./data/customer_churn.csv",
    name="Customer Churn Dataset",
    description="Monthly churn data with 15 features, 50k rows"
)

print(f"Dataset ID: {dataset.id}")
print(f"Version: {dataset.version}")
print(f"Columns: {len(dataset.columns)}")
print(f"Rows: {dataset.row_count}")

Una vez cargado, CorePlexML crea una version del dataset, una instantanea inmutable de tus datos en ese momento. Este versionado es critico para la reproducibilidad. Cada experimento que ejecutes se vincula a una version especifica del dataset, de modo que siempre puedes rastrear el linaje de un modelo hasta los datos exactos con los que fue entrenado.

Antes de pasar al siguiente paso, tomate un momento para revisar el esquema. Verifica que las columnas numericas no se hayan inferido accidentalmente como categoricas (esto puede suceder con IDs enteros o codigos postales), y que las columnas de fecha se hayan parseado correctamente. Un esquema limpio en esta etapa previene sorpresas mas adelante en el pipeline.

Paso 2: Crea un Experimento

Con tus datos cargados, es momento de crear un experimento. Un experimento en CorePlexML es una ejecucion de entrenamiento AutoML: especificas que predecir, cuanto tiempo entrenar, y la plataforma se encarga de todo lo demas.

En la interfaz, navega a Experiments y haz clic en New Experiment. Se te pedira configurar cuatro ajustes. Primero, selecciona la version del dataset que acabas de cargar. Segundo, elige la columna objetivo, la columna que tu modelo debe aprender a predecir. Tercero, establece el tipo de problema. CorePlexML generalmente lo infiere automaticamente (clasificacion para objetivos categoricos, regresion para objetivos numericos), pero puedes anularlo si es necesario. Cuarto, configura el presupuesto de entrenamiento estableciendo un tiempo maximo de entrenamiento (en segundos) y opcionalmente un numero maximo de modelos a evaluar.

El SDK te da control total sobre estos parametros:

experiment = client.experiments.create(
    project_id="proj_abc123",
    dataset_version_id=dataset.version_id,
    target_column="churn",
    problem_type="classification",
    max_runtime_secs=600,       # 10 minutes of training
    max_models=30,              # Evaluate up to 30 models
    nfolds=5,                   # 5-fold cross-validation
    seed=42,                    # Reproducibility seed
    balance_classes=True,       # Handle class imbalance
    stopping_metric="AUC",      # Optimize for AUC
    exclude_algos=[]            # Include all algorithms
)

print(f"Experiment ID: {experiment.id}")
print(f"Status: {experiment.status}")

Detras de escena, el motor AutoML inicia un sofisticado proceso de busqueda. Comienza con modelos base rapidos (un solo GLM, un Random Forest por defecto) para establecer benchmarks de rendimiento, y luego avanza a traves de algoritmos cada vez mas complejos. Se entrenan modelos XGBoost y GBM con hiperparametros variados, modelos de Deep Learning exploran diferentes arquitecturas de red, y finalmente, se construyen Stacked Ensembles que combinan los mejores modelos individuales en un unico predictor mas potente. Todo esto sucede con validacion cruzada automatica, de modo que cada metrica que ves refleja un rendimiento genuino fuera de muestra en lugar de sobreajuste a los datos de entrenamiento.

Puedes monitorear el progreso en tiempo real a traves de la interfaz, que muestra un leaderboard en vivo que se actualiza a medida que cada modelo termina de entrenarse.

Paso 3: Revisa el Leaderboard

Una vez completado el entrenamiento, CorePlexML presenta un leaderboard de modelos clasificado segun la metrica de parada elegida. Aqui es donde evaluas que modelo se ajusta mejor a tus necesidades. Cada entrada en el leaderboard incluye el tipo de algoritmo, todas las metricas de rendimiento relevantes, el tiempo de entrenamiento y el tamano del modelo.

Comprender las metricas es esencial para tomar buenas decisiones:

AUC (Area Under the ROC Curve) mide la capacidad de un modelo de clasificacion para distinguir entre clases a traves de todos los umbrales de decision. Los valores van de 0.5 (adivinanza aleatoria) a 1.0 (separacion perfecta). AUC es particularmente util cuando te importa el ranking de predicciones en lugar de un umbral especifico.
Accuracy es la fraccion de predicciones que son correctas. Aunque es intuitiva, la accuracy puede ser enganosa con datasets desbalanceados. Un modelo que predice "no churn" para cada cliente logra 95% de accuracy si solo el 5% de los clientes abandonan, pero es completamente inutil.
Log Loss penaliza las predicciones incorrectas con alta confianza mas severamente que las inciertas. Menor es mejor. Esta metrica es ideal cuando necesitas estimaciones de probabilidad bien calibradas, como scoring de riesgo o diagnostico medico.
RMSE (Root Mean Squared Error) aplica a problemas de regresion y mide la magnitud promedio de los errores de prediccion en las mismas unidades que la variable objetivo. Un RMSE mas bajo significa predicciones mas precisas.

Los algoritmos que tipicamente veras en el leaderboard incluyen:

XGBoost es un framework de gradient boosting conocido por su fuerte rendimiento en datos tabulares con excelente manejo de valores faltantes y regularizacion para prevenir el sobreajuste.
GBM (Gradient Boosting Machine) es la implementacion nativa de gradient boosting de H2O con defaults y optimizaciones ligeramente diferentes comparado con XGBoost.
Deep Learning se refiere a la implementacion de redes neuronales multicapa de H2O, que puede capturar relaciones no lineales complejas pero puede requerir mas datos para generalizar bien.
GLM (Generalized Linear Model) proporciona una linea base rapida e interpretable. Funciona bien cuando las relaciones entre features y objetivo son aproximadamente lineales.
Stacked Ensemble combina predicciones de todos los demas modelos usando un meta-aprendiz. Los ensembles frecuentemente encabezan el leaderboard porque aprovechan las diversas fortalezas de los modelos individuales.

Como regla general, si la interpretabilidad es primordial, considera el mejor GLM o un GBM de arbol unico. Si el poder predictivo bruto es la prioridad, el Stacked Ensemble o el modelo XGBoost superior suele ser la mejor opcion.

Paso 4: Explora y Explica

Seleccionar un modelo del leaderboard es solo el comienzo. Antes de desplegar, necesitas entender por que el modelo hace las predicciones que hace. CorePlexML proporciona un conjunto de herramientas de explicabilidad que te ayudan a construir confianza en tu modelo y satisfacer requisitos regulatorios de transparencia.

Feature Importance clasifica las features de entrada por su contribucion a las predicciones del modelo. Esto te da una vista global de lo que aprendio el modelo. Puedes obtener la importancia de features programaticamente:

"hl-kw">curl -X GET "https://api.coreplexml.io/api/models/{model_id}/feature_importance" \
  -H "Authorization: Bearer your-api-key"

La respuesta devuelve una lista clasificada de features con sus puntuaciones de importancia relativa. Usa esto para verificar que el modelo se apoya en features sensatas. Si una columna irrelevante (como un ID de fila o un timestamp) se clasifica alto, puede indicar fuga de datos que deberias abordar antes del despliegue.

SHAP (SHapley Additive exPlanations) Values proporcionan explicaciones a nivel de instancia. Mientras que la importancia de features te dice que importa globalmente, los valores SHAP explican por que el modelo hizo una prediccion especifica para una fila especifica. Cada feature recibe un valor SHAP positivo o negativo indicando cuanto empujo la prediccion por encima o por debajo del promedio. Esto es invaluable para industrias reguladas donde necesitas justificar decisiones individuales, como por que una solicitud de prestamo fue denegada o por que un paciente fue marcado como de alto riesgo.

Partial Dependence Plots (PDPs) revelan la relacion marginal entre una sola feature y las predicciones del modelo, manteniendo todas las demas features constantes. Por ejemplo, un PDP para "account_age" podria mostrar que la probabilidad de churn disminuye bruscamente durante los primeros 12 meses y luego se estabiliza. Estos graficos te ayudan a traducir el comportamiento del modelo en insights de negocio accionables.

Ten en cuenta que los modelos Stacked Ensemble no soportan contribuciones SHAP ni importancia de variables directamente, debido a su naturaleza compuesta. Si necesitas explicabilidad completa, considera desplegar uno de los mejores modelos individuales (como el mejor XGBoost) en su lugar.

Paso 5: Despliega a Produccion

Una vez que estes satisfecho con el rendimiento y las explicaciones de tu modelo, es momento de desplegarlo para que las aplicaciones puedan solicitar predicciones en tiempo real. El modulo MLOps de CorePlexML soporta multiples estrategias de despliegue para adaptarse a tu tolerancia al riesgo:

Despliegue directo intercambia el modelo inmediatamente. Mejor para entornos de desarrollo o casos de uso de bajo riesgo donde la velocidad importa mas que la precaucion.
Despliegue canary enruta un pequeno porcentaje del trafico (tipicamente 5-10%) al nuevo modelo mientras el modelo existente continua sirviendo la mayoria. Si las metricas del nuevo modelo se degradan, el rollback automatico se activa. Si las metricas se mantienen estables, incrementas gradualmente el trafico hasta que el nuevo modelo sirve el 100%.
Despliegue Blue-Green ejecuta dos entornos completos en paralelo y cambia el trafico atomicamente. Esto proporciona despliegue sin tiempo de inactividad con capacidad de rollback instantaneo, a costa de un uso temporalmente duplicado de recursos.

Asi es como crear un despliegue con el SDK:

deployment = client.deployments.create(
    project_id="proj_abc123",
    model_id=experiment.best_model_id,
    name="Churn Predictor v1",
    strategy="canary",
    traffic_percentage=10,          # Start with 10% traffic
    auto_rollback=True,             # Roll back on metric degradation
    rollback_threshold=0.05         # Roll back if AUC drops by 5%
)

print(f"Deployment ID: {deployment.id}")
print(f"Endpoint: {deployment.endpoint}")

Una vez desplegado, tu modelo es accesible a traves de un endpoint REST. Envia un payload JSON con las features de entrada, y el endpoint devuelve predicciones junto con puntuaciones de probabilidad opcionales y contribuciones SHAP. Tambien puedes configurar alertas de monitoreo para notificar a tu equipo via Slack, email o webhook cuando el rendimiento se degrade o se detecte deriva de datos.

Solucion de Problemas

Incluso con AutoML manejando la mayor parte de la complejidad, hay algunos problemas comunes que puedes encontrar:

Columna objetivo no encontrada. Esto generalmente significa que el nombre de la columna en la configuracion de tu experimento no coincide exactamente con el nombre de la columna en el esquema del dataset. Los nombres de columna son sensibles a mayusculas y minusculas. Verifica la ortografia y asegurate de que no haya caracteres de espacio en blanco al final.

Filas insuficientes. AutoML necesita suficientes datos para entrenar, validar y probar modelos de manera confiable. Con validacion cruzada de 5 folds, cada fold debe tener suficientes filas para aprender patrones significativos. Como guia aproximada, apunta a al menos 100 filas por clase para problemas de clasificacion, y mas para datasets con muchas features.

Tiempo de entrenamiento agotado. Si tu tiempo maximo de ejecucion es muy corto en relacion con el tamano de tu dataset y el numero de modelos, el motor puede evaluar solo un punado de algoritmos. Aumenta max_runtime_secs o reduce max_models para asegurar que los algoritmos mas prometedores tengan suficiente tiempo para completarse.

Desbalance de clases. Cuando una clase supera ampliamente a otra (como 95% no-fraude vs 5% fraude), los modelos pueden aprender a predecir exclusivamente la clase mayoritaria. Habilita balance_classes=True en la configuracion de tu experimento, lo cual aplica sobremuestreo y ponderacion de clases para ayudar al modelo a aprender de los ejemplos de la clase minoritaria. Tambien considera usar AUC o log loss como metrica de parada en lugar de accuracy, ya que estas metricas son menos sensibles a la distribucion de clases.

Errores de memoria durante el entrenamiento. Datasets muy grandes o muchos modelos concurrentes pueden agotar la memoria disponible. Considera reducir el tamano del dataset mediante muestreo, reducir max_models, o aumentar la asignacion de memoria de tu instancia.

Que Sigue

Con tu primer modelo desplegado, has completado el flujo de trabajo basico de AutoML. Estos son los siguientes pasos naturales para explorar:

ML Studio proporciona analisis What-If, permitiendote crear escenarios hipoteticos y ver como los cambios en las features de entrada afectan las predicciones. Esto es invaluable para la planificacion de negocios y el analisis de sensibilidad.
Privacy Suite escanea tus datasets en busca de informacion de identificacion personal y aplica transformaciones (enmascaramiento, hashing, cifrado) para lograr cumplimiento con HIPAA, GDPR, PCI-DSS y CCPA antes del entrenamiento.
Auto-Retraining mantiene tus modelos actualizados activando automaticamente nuevas ejecuciones de entrenamiento cuando se detecta deriva de datos, cuando el rendimiento cae por debajo de un umbral, o en un horario fijo.
SynthGen genera datos sinteticos usando GANs cuando necesitas mas datos de entrenamiento o quieres compartir datasets realistas pero no sensibles con socios.
A/B Testing te permite comparar dos versiones de modelo en produccion con rigor estadistico, midiendo cual se desempena mejor en tu poblacion real de usuarios.

Todo el flujo de trabajo que cubrimos en este tutorial, desde la carga de datos hasta el despliegue en produccion, puede completarse en menos de 10 minutos a traves de la interfaz, o automatizarse completamente con el SDK para pipelines de ML repetibles e integrados con CI/CD. La idea clave detras de AutoML no es que reemplaza la experiencia en ciencia de datos, sino que la amplifica. Al automatizar la busqueda repetitiva sobre algoritmos e hiperparametros, AutoML te libera para enfocarte en las decisiones que verdaderamente requieren juicio humano: definir el problema correcto, curar los datos adecuados e interpretar los resultados en el contexto de tu negocio.