Plataforma de Coaching Profesional Impulsada por IA: Caso de Estudio Jobmaker

CIFRAS CLAVE

• 15 min → 0 Tiempo de reformulación reducido a cero
• 90% Tasa de satisfacción del usuario
• 600 Usuarios activos en la nueva solución

SOBRE EL CLIENTE

Jobmaker, activo desde 2015, se ha establecido como una plataforma digital innovadora en coaching profesional. Un socio de confianza de empresas prestigiosas como EDF, Enedis y Orange, Jobmaker apoya a los empleados en su desarrollo profesional a través de programas personalizados.

DESAFÍO TÉCNICO

El principal desafío era transformar la parte de escritura del coaching, tradicionalmente que consume mucho tiempo, en un proceso fluido y eficiente. Nuestra misión: desarrollar una solución de IA capaz de mantener la calidad mientras elimina la fricción en el recorrido del usuario.

Limitaciones del Modelo de IA

• Gestión de recursos para Mistral-7B
• Optimización del tiempo de respuesta
• Equilibrio entre rendimiento y costo de infraestructura

Cumplimiento GDPR, seguridad y AI ACT

• Anonimización de datos de usuario
• Seguridad en el proceso de fine-tuning
• Protección de información sensible

Calidad de Datos de Entrenamiento

• Construcción de un conjunto de datos representativo
• Limpieza y validación de datos
• Pruebas intensivas antes del despliegue

SOLUCIÓN

Nuestra solución se construye alrededor de tres pilares tecnológicos principales:

Preparación Sofisticada de Datos La calidad de un modelo de IA depende de sus datos de entrenamiento. Nuestro equipo desarrolló una metodología rigurosa para construir un conjunto de datos de 1200 ejemplos. El uso de embeddings ayudó a validar la relevancia de los datos midiendo la similitud entre entradas y respuestas de usuarios, asegurando así la calidad del corpus de entrenamiento.

Fine-tuning Avanzado El núcleo de nuestra solución se basa en Mistral-7B, un modelo de lenguaje de vanguardia. Nuestro proceso de fine-tuning a través de Hugging Face fue optimizado para las especificidades de Jobmaker:

• Adaptación a estándares de escritura profesional
• Adherencia a pautas editoriales
• Preservación del ADN de Jobmaker en las reformulaciones

Despliegue Seguro La infraestructura técnica fue desplegada en RunPod.io en Francia, asegurando:

• Cumplimiento GDPR
• Alta disponibilidad
• Rendimiento óptimo

METODOLOGÍA

El proyecto se ejecutó durante dos meses, dirigido por un equipo experto:

• 1 Ingeniero de IA
• 1 Product Manager
• 1 Desarrollador

Nuestro proceso de desarrollo se estructuró en tres fases clave:

Fase 1: Preparación de Datos Análisis en profundidad y anonimización de datos históricos, con especial atención a la calidad y representatividad del conjunto de datos.

Fase 2: Fine-tuning y Desarrollo Optimización iterativa del modelo Mistral-7B, con ciclos de prueba y mejora continua basada en feedback de usuarios.

Fase 3: Despliegue y Optimización Despliegue progresivo en producción con monitoreo de rendimiento y ajustes en tiempo real.

RESULTADOS

La solución ha transformado radicalmente la experiencia de coaching:

Rendimiento Técnico

• Reducción en el tiempo de reformulación de 15 minutos a respuesta instantánea
• 90% de tasa de satisfacción del usuario
• 600 usuarios activos utilizando exitosamente la nueva solución