Proyectos
03 / 04

Modelo y API explicativa · 2026

Sentimiento aplicado a Bitcoin

Un pipeline experimental para una señal especialmente ruidosa: transforma texto en embeddings semánticos, combina dos ensembles LightGBM y convierte cada clasificación en una explicación con confianza, señales y límites visibles.

01 / Visión general

Qué es y qué problema resuelve

Una etiqueta positiva o negativa aislada aporta poco valor si no se explican la confianza, las señales y los límites del modelo.

Proyecto educativo experimental: analiza un mensaje en inglés relacionado con Bitcoin. No predice precios y no ofrece asesoramiento financiero.

02 / Funcionamiento

Cómo funciona el sistema

  1. 01

    Codificación del mensaje con Sentence Transformers para obtener una representación semántica reutilizable por los clasificadores.

  2. 02

    Dos ensembles LightGBM organizados como una decisión en dos etapas, cada uno con su umbral persistido y validado.

  3. 03

    FastAPI sirve la interfaz y la API desde el mismo servicio; los modelos y el embedding se cargan en servidor y nunca se exponen al navegador.

  4. 04

    OpenAI puede redactar la explicación final, con una respuesta local determinista disponible cuando la API no está configurada.

03 / Mi aportación

Qué hice yo

Preparé los datos, entrené y comparé el pipeline, optimicé el umbral sobre validación y expuse el modelo mediante FastAPI.

Decisiones principales

  • Separar validación y test antes de ajustar el umbral de decisión.
  • Usar embeddings de Sentence Transformers y un ensemble LightGBM.
  • Comunicar probabilidad y limitaciones en vez de presentar la salida como consejo financiero.

04 / Comprobación y resultado

Cómo comprobé el resultado

Separé validación y test antes de ajustar los umbrales. Las pruebas de API cubren salud, carga del runtime, las ramas de decisión y el fallback sin OpenAI. El contenedor incorpora el modelo de embeddings durante el build para que Cloud Run no dependa de Hugging Face al arrancar.

Resultado del proyecto

  • Rendimiento equilibrado en test y experiencia web desplegada.
  • API capaz de acompañar cada inferencia con contexto comprensible.

05 / Aprendizajes

Qué aprendí durante el desarrollo

El reto no era mostrar una etiqueta, sino convertir una salida probabilística en una experiencia responsable. Por eso la interfaz separa análisis experimental de recomendación financiera y comunica explícitamente sus límites.