{"id":16536,"date":"2025-03-17T18:16:00","date_gmt":"2025-03-17T17:16:00","guid":{"rendered":"https:\/\/www.quobis.com\/?p=16536"},"modified":"2025-09-29T19:05:27","modified_gmt":"2025-09-29T17:05:27","slug":"ft-transformer-una-mirada-a-la-arquitectura-de-deep-learning-de-mlsip","status":"publish","type":"post","link":"https:\/\/www.quobis.com\/es\/2025\/03\/17\/ft-transformer-una-mirada-a-la-arquitectura-de-deep-learning-de-mlsip\/","title":{"rendered":"FT-Transformer: Una mirada a la arquitectura de Deep Learning de MLSIP"},"content":{"rendered":"\n

Mientras que Random Forest <\/a>representa un enfoque cl\u00e1sico y robusto, el proyecto MLSIP<\/a> tambi\u00e9n ha explorado la vanguardia del Machine Learning con la implementaci\u00f3n de FT-Transformer<\/a> (Feature Tokenizer + Transformer). Este modelo, basado en la misma arquitectura Transformer que ha revolucionado el procesamiento del lenguaje natural (impulsando modelos como ChatGPT), ha sido adaptado para trabajar con los datos tabulares y estructurados de las comunicaciones SIP.<\/p>\n\n\n\n

La principal innovaci\u00f3n de FT-Transformer es c\u00f3mo procesa las variables de entrada. A diferencia de los \u00e1rboles de decisi\u00f3n, que dividen los datos bas\u00e1ndose en reglas, FT-Transformer utiliza un componente llamado Feature Tokenizer<\/strong> para convertir cada variable (sea num\u00e9rica como la hora, o categ\u00f3rica como el c\u00f3dec) en una representaci\u00f3n matem\u00e1tica densa llamada embedding. Este proceso permite al modelo capturar relaciones mucho m\u00e1s complejas y sutiles entre las caracter\u00edsticas.<\/p>\n\n\n\n

Una vez que todas las variables de entrada se han transformado en estos tokens o embeddings, pasan a trav\u00e9s de una serie de capas Transformer. Cada una de estas capas utiliza mecanismos de \u00abatenci\u00f3n\u00bb<\/strong> para ponderar la importancia de cada variable en relaci\u00f3n con las dem\u00e1s, aprendiendo qu\u00e9 combinaciones son las m\u00e1s predictivas para determinar el \u00e9xito o fracaso de una llamada. Esta capacidad de aprender interacciones complejas de forma flexible le otorga, en teor\u00eda, un potencial mayor que los modelos basados en \u00e1rboles, especialmente con grandes vol\u00famenes de datos.<\/p>\n\n\n\n

Aunque los resultados iniciales del proyecto MLSIP mostraron un rendimiento muy similar entre FT-Transformer y Random Forest, la inclusi\u00f3n de este modelo avanzado posiciona a la soluci\u00f3n a la vanguardia tecnol\u00f3gica. Mantiene abierta la puerta para que, a medida que se incorporen conjuntos de datos m\u00e1s grandes y complejos (como los de un operador real), la arquitectura de Deep Learning pueda descubrir patrones que los modelos cl\u00e1sicos no detectan, llevando la optimizaci\u00f3n del enrutamiento <\/a>a un nuevo nivel de precisi\u00f3n.<\/p>\n\n\n