Un piloto basado en reglas genera su propio etiquetado y reduce la espera del modelo de un año a cero

Recopilar el etiquetado de un detector de anomalías como una fase aparte significa esperar seis meses, o incluso un año, a que el sistema empiece a hacer algo. Alexéi, responsable del área de ML, describió en Habr un método para eliminar esa pausa: un piloto basado en reglas entra en producción de inmediato y, en paralelo, genera por sí mismo el etiquetado con el que luego se entrena el modelo.

El etiquetado no existe hasta que alguien empieza a crearlo

Los catálogos y las fuentes de datos se pueden poner en orden con antelación. Es un trabajo que no depende del modelo, y el autor lo analizó en otro artículo. Con el etiquetado no funciona así. Nadie ha marcado nunca de forma retroactiva dónde hubo una anomalía y dónde una situación normal. Ese historial no existe hasta que alguien empieza a emitir veredictos sobre el flujo real de eventos.

De ahí el callejón sin salida del plan clásico: primero reunir datos con etiquetas, después entrenar y por último poner en marcha. Si las etiquetas solo aparecen mientras el sistema funciona, el plan choca con su propia condición.

Por qué reglas y no un modelo

El ejemplo es el control de compras: la búsqueda de precios inflados, compras no destinadas al fin previsto y compras al margen de licitación. El autor enumera qué falla en cada uno de los enfoques más evidentes:

• no hay con qué entrenar un modelo supervisado, porque no existen ejemplos etiquetados;
• el enfoque no supervisado genera demasiados falsos positivos con eventos poco frecuentes;
• un LLM sin una referencia de precio llama con total seguridad precio de mercado a un precio inflado.

La conclusión del anuncio es tajante: primero una capa de reglas y, más tarde, el modelo por encima. Las reglas ofrecen un resultado útil desde el primer día. Cada alerta que un experto confirma o rechaza se convierte en un ladrillo del futuro etiquetado. Así, el piloto aporta valor y no se limita a esperar a que se acumulen datos.

En el artículo anterior, el autor dejó abierta la cuestión de la propia referencia de precio de mercado. Aquí sostiene que se puede arrancar sin esperar a que esa referencia exista.

Tesis clave

• Duración de una recopilación de etiquetado independiente: de seis meses a un año.
• Ámbito de aplicación: precios inflados, compras fuera de su finalidad y compras al margen de licitación.
• El método se ha probado en distintas tareas; las compras se eligieron como ilustración.
• Arquitectura: primero la capa de reglas y, más tarde, se construye encima el modelo de ML.
• Principal riesgo del enfoque con LLM: juicios seguros sobre el mercado sin una referencia externa.

Conviene señalar una limitación. En el fragmento publicado no hay detalles de la mecánica: cómo exactamente vuelven los veredictos al dataset, quién los emite, qué volumen hace falta para entrenar ni qué métricas de calidad se obtienen. Eso figura en la versión completa del artículo, y juzgar la eficacia del enfoque a partir del anuncio es prematuro.

Qué se puede llevar a la práctica

La lógica es aplicable mucho más allá de las compras. Si construye un detector de anomalías en finanzas, logística, antifraude o monitorización industrial, conviene preguntarse primero de dónde saldrán las etiquetas y cuánto habrá que esperar. Si la respuesta es «nunca» o «un año», el proyecto merece replantearse.

El orden práctico es este. Empiece con reglas sencillas y verificables, que los expertos entiendan y estén dispuestos a confirmar. Incorpore al proceso el registro de la decisión humana ante cada alerta. Trate esas decisiones como el producto principal del piloto, al mismo nivel que los hallazgos. Conecte el modelo cuando se hayan acumulado suficientes casos confirmados y rechazados, y use un LLM donde exista una referencia externa con la que contrastar sus afirmaciones.

Este camino es menos vistoso que «entrenemos una red neuronal con todo». A cambio, el negocio obtiene resultados en semanas y no en un año, y el equipo se queda con un dataset etiquetado propio en lugar de confiar en el de otros.