📬 Sprints y buzón

El proyecto avanza en tres sprints evaluados (10 % cada uno) y una entrega final (40 %). Cada sprint aplica la cápsula de la semana a tu caso y se entrega por buzón hasta el domingo a las 23:59. En la tutoría del jueves siguiente recibes la nota, un semáforo y los comentarios.

Entrega	Cápsula	Plazo (buzón)	Peso	Devolución
Inscripción de equipo y caso	—	Domingo 1 nov, 23:59	—	Jueves 5 nov
Sprint 1 · Datos y primeros modelos	Clase 1	Domingo 8 nov, 23:59	10 %	Jueves 12 nov
Sprint 2 · Embeddings	Clase 2	Domingo 15 nov, 23:59	10 %	Jueves 19 nov
Sprint 3 · LLM	Clase 3	Domingo 22 nov, 23:59	10 %	Jueves 26 nov
Entrega final · RAG, comparación y slides	Clases 4 y 5	Domingo 29 nov, 23:59	40 %	Jueves 3 dic

📮 Cómo entregar por buzón

📬 Ir a los buzones

Descarga tu notebook desde Colab: Archivo → Descargar → Descargar .ipynb.
Nómbralo así: S1_FinTrust_Apellido1_Apellido2_Apellido3.ipynb (cambia S1 por S2, S3 o FINAL, y el caso por MercaSur o Propio si corresponde).
En la primera celda del notebook escribe los nombres del equipo, el caso y el enlace de Colab compartido con permiso de lectura.
Súbelo al buzón de la entrega antes del domingo a las 23:59. Basta con que un integrante entregue por el equipo. El buzón acepta dos días más con −1,0 punto por día de atraso.

Antes de subir

Ejecuta Entorno de ejecución → Reiniciar y ejecutar todo y verifica que no haya errores.
Revisa que no aparezca tu clave de API en ninguna celda ni salida.
Deja las salidas (gráficos, tablas y métricas) visibles: se corrige lo que se ve.

🚦 Semáforo de la tutoría

Además de la nota, cada entrega recibe un semáforo para orientar el siguiente paso:

🟢 Verde: van bien, sigan así.
🟡 Amarillo: hay ajustes que deben corregir antes de la entrega final (revisen los comentarios).
🔴 Rojo: hay un problema que pone en riesgo la entrega final; lo conversamos en la tutoría.

Los sprints se pueden corregir para la entrega final. La nota del sprint no cambia, pero la entrega final evalúa la versión corregida.

Sprint 1 · Datos y primeros modelos 10 %Domingo 8 de noviembre

Cápsula: Clase 1 · Redes neuronales en la práctica · Notebook base: clase1_redes_neuronales.ipynb

Qué entregar:

Pregunta de negocio en 2–3 líneas: qué decisión apoya el modelo y a quién beneficia.
Auditoría de datos: duplicados, textos vacíos o basura, categorías mal escritas, valores imposibles y nulos. Una tabla resumen (problema → decisión → filas afectadas).
EDA de texto: distribución de clases, largo de los textos y palabras más frecuentes por clase, con una conclusión por gráfico.
Baseline: TF-IDF + regresión logística, con división entrenamiento/prueba estratificada y antes de ajustar el vectorizador.
Red neuronal (MLP) en Keras sobre TF-IDF, con validación y early stopping, y sus curvas de entrenamiento.
Comparación en test: F1 macro, classification_report y matriz de confusión de ambos modelos, y qué error es más costoso para el negocio.

Criterio	Peso	Nivel 7,0
Pregunta de negocio y auditoría de datos	30 %	Pregunta concreta; todos los problemas de calidad detectados y resueltos con decisiones justificadas.
EDA de texto	20 %	Gráficos pertinentes, cada uno con su conclusión.
Modelos y evaluación	35 %	Sin fuga de datos; baseline y MLP bien evaluados; curvas interpretadas.
Interpretación para el negocio	15 %	Lee la matriz de confusión en términos de costos de error.

Sprint 2 · Embeddings 10 %Domingo 15 de noviembre

Cápsula: Clase 2 · Embeddings · Notebook base: clase2_embeddings.ipynb

Qué entregar:

Embeddings de todos los textos con sentence-transformers (modelo multilingüe), guardados para reutilizar.
Clasificador sobre embeddings comparado con los modelos del Sprint 1 en el mismo test.
Curva con pocos datos: F1 macro entrenando con 50, 200 y 1.000 ejemplos, TF-IDF vs. embeddings, evaluando también sobre textos redactados con otras palabras (paráfrasis), y qué significa para una empresa que tiene pocos datos etiquetados o clientes que escriben distinto.
Buscador semántico: función buscar(consulta, k) y 5 consultas de negocio con sus resultados comentados (¿encontró lo que TF-IDF no?).
Mapa de temas: clustering sobre embeddings, elección de k justificada y un nombre de negocio para cada cluster.

Criterio	Peso	Nivel 7,0
Embeddings y clasificación	30 %	Comparación justa contra el Sprint 1 (mismo test y misma métrica).
Curva con pocos datos	25 %	Experimento bien hecho y conclusión clara para el negocio.
Búsqueda semántica	20 %	Consultas relevantes y análisis de aciertos y fallos.
Temas descubiertos	25 %	k justificado; clusters interpretados con nombres útiles para el negocio.

Sprint 3 · LLM 10 %Domingo 22 de noviembre

Cápsula: Clase 3 · Transformers y LLMs · Notebook base: clase3_llms.ipynb · Antes de empezar: guía de la API de Gemini

Qué entregar:

Anonimización de RUT, teléfonos, correos y nombres antes de enviar textos a la API, y cuántos textos tenían datos personales.
Clasificación zero-shot y few-shot con un LLM sobre al menos 100 casos del test, con salida estructurada (JSON con categorías permitidas).
Extracción estructurada: al menos 4 campos útiles para el negocio (por ejemplo: categoría, urgencia, producto, monto, si requiere contacto, resumen breve).
Comparación: F1 macro, costo estimado por 1.000 casos (tokens) y latencia del LLM frente al mejor modelo de los Sprints 1–2.
Análisis de errores: 5 casos donde el LLM falla o discrepa de la etiqueta. ¿Se equivoca el modelo o la etiqueta?

Criterio	Peso	Nivel 7,0
Anonimización y buenas prácticas	15 %	PII enmascarada antes de la API; sin claves expuestas.
Prompts y salidas estructuradas	30 %	Prompts claros; zero-shot vs. few-shot comparados; JSON validado.
Evaluación y costo	35 %	Métricas sobre el mismo test; costo y latencia medidos, no supuestos.
Análisis de errores	20 %	Casos bien elegidos y una explicación con criterio.

Entrega final · RAG, comparación y slides 40 %Domingo 29 de noviembre

Cápsulas: Clase 4 · RAG y Clase 5 · Del prototipo a la decisión · Plantilla: proyecto_final_plantilla.ipynb

Requisitos completos y rúbrica en Enunciado y rúbrica.