> ## Documentation Index
> Fetch the complete documentation index at: https://docs.topsort.com/llms.txt
> Use this file to discover all available pages before exploring further.
# Preguntas frecuentes
export const LastUpdatedEs = ({date}) => {
const label = "Última actualización:";
return <>
;
};
T-Brain es la plataforma de IA de comercio de Topsort. Ayuda a los minoristas a impulsar la búsqueda, las recomendaciones, el ranking de productos y las predicciones con modelos adaptados a sus productos y compradores. Puedes usar T-Brain sin usar la plataforma publicitaria de Topsort.
## ¿Qué es un Large Commerce Model?
Un Large Commerce Model, o LCM, es un modelo de IA generativa creado para entender el comercio. Aprende de la información de productos, el comportamiento de los compradores y el contexto para entender qué quieren los compradores y qué productos son relevantes.
Por ejemplo, un LCM puede ayudar a encontrar productos que coincidan con la solicitud de un comprador, rankear recomendaciones o predecir qué tan probable es que un comprador compre un producto.
## ¿En qué se diferencia un LCM de un Large Language Model?
Un Large Language Model, o LLM, aprende principalmente patrones del lenguaje. Un LCM aprende de señales de comercio, incluidos catálogos de productos, interacciones de compradores y compras.
Esto ayuda a T-Brain a tener en cuenta tanto qué es un producto como cómo interactúan los compradores con él.
## ¿Para qué puedo usar T-Brain?
T-Brain admite cuatro capacidades principales:
* **Retrieval:** Encuentra productos relevantes para resultados de búsqueda y recomendaciones.
* **Prediction:** Estima resultados como clics y compras de productos.
* **Ranking:** Ordena productos orgánicos, productos patrocinados o ambos según el resultado que quieras optimizar.
* **Understanding:** Genera embeddings, representaciones numéricas de productos y compradores que capturan similitudes y relaciones. También puedes usarlos en tus propios modelos.
Estas capacidades pueden respaldar la búsqueda, la personalización del sitio web, las comunicaciones y los agentes de comercio.
## ¿Necesito ser cliente actual de Topsort?
No. Puedes subir datos de tus sistemas existentes, entrenar modelos, evaluarlos, desplegarlos y llamarlos a través de una API sin usar el ad server de Topsort.
Los clientes actuales de Topsort también pueden usar conjuntos de datos que ya están sincronizados desde Topsort.
## ¿Qué datos necesito?
Proporciona tu catálogo de productos y al menos un mes de historial de eventos, incluidas todas las compras y los clics e impresiones de productos pagados.
T-Brain organiza los datos en tres tipos de conjuntos de datos: **categories, products y events**.
Los eventos deben incluir un identificador de comprador consistente para poder conectar las interacciones y las compras.
Si eres cliente de Topsort, ya tendrás tres conjuntos de datos sincronizados:
* `Topsort-categories`
* `Topsort-products`
* `Topsort-events`
Estos conjuntos de datos se actualizan en tiempo real. Puedes usarlos al crear tareas de entrenamiento y subir conjuntos de datos adicionales cuando lo necesites.
Consulta [Requisitos de datos](/es/knowledge-base/t-brain/data-requirements) para el formato de archivo y los requisitos de columnas.
## ¿Cómo subo datos?
Consulta [Requisitos de datos](/es/knowledge-base/t-brain/data-requirements) para instrucciones sobre cómo crear conjuntos de datos, subir archivos Parquet y añadir datos actualizados.
## ¿Cómo entreno un modelo?
Una tarea define qué quieres que haga un modelo y de qué conjuntos de datos debe aprender.
1. **Revisa los modelos disponibles en la pestaña Model Garden.** Elige el modelo y la capacidad adecuados para tu caso de uso, como el ranking de productos o la predicción de conversión.
2. **Prepara tus conjuntos de datos en la pestaña Data.** Usa conjuntos de datos sincronizados de Topsort o sube tus propios archivos.
3. **Crea una tarea en la pestaña Tasks.** Elige la capacidad, selecciona los conjuntos de datos que requiere y ponle nombre a la tarea. Por ejemplo, una tarea de ranking de productos usa conjuntos de datos de productos y eventos.
4. **Inicia el entrenamiento.** T-Brain entrena el modelo con los conjuntos de datos seleccionados.
5. **Sigue el progreso en la pestaña Training.** Revisa los trabajos de entrenamiento en cola, en ejecución y completados.
6. **Revisa los resultados en la pestaña Evals.** Inspecciona las métricas de calidad del modelo y compara el rendimiento antes de decidir el despliegue.
7. **Despliega el modelo.** Tu aplicación puede entonces llamarlo a través de una API.
8. **Prueba el modelo desplegado en la pestaña Playground.** Prueba solicitudes e inspecciona las predicciones devueltas y los tiempos de respuesta.
## ¿Qué significa fine-tuning?
El fine-tuning adapta un modelo base con los datos de tu minorista. Especializa el modelo para tu catálogo, tus compradores y tu caso de uso.
El modelo base de T-Brain ofrece un punto de partida. El fine-tuning lo ayuda a aprender los patrones específicos de tu tienda.
## ¿Cómo puedo evaluar un modelo?
Usa la pestaña **Evals** para evaluar la calidad del modelo y comparar modelos entrenados con un modelo de referencia o una línea base. También puedes aportar datos de línea base para comparar tu enfoque actual con T-Brain.
Las evaluaciones pueden incluir:
* **Calidad del modelo:** Qué tan bien un modelo realiza su tarea de predicción o ranking. Por ejemplo, AUC ROC mide qué tan bien un modelo de predicción distingue resultados positivos de negativos.
* **Impacto de negocio:** Comparaciones como el valor de ventas por sesión, la tasa de conversión, los ingresos publicitarios y la tasa de devolución.
* **Rendimiento:** Tiempo de respuesta, incluida la latencia P95, el tiempo dentro del cual se completa el 95 % de las solicitudes.
La pestaña Evals incluye evaluaciones, benchmarks, conjuntos de prueba y experimentos. Usa las medidas relevantes para tu tarea y los datos disponibles para la comparación.
## ¿Qué salvaguardas y controles hay disponibles?
T-Brain ofrece varios puntos de revisión y control:
* **Validación de datos:** Los archivos subidos se comprueban contra la estructura requerida del conjunto de datos.
* **Evaluación antes del despliegue:** Puedes inspeccionar los resultados del entrenamiento y comparar la calidad del modelo antes de desplegar.
* **Supervisión en runtime:** En la pestaña Runtime puedes supervisar el volumen de solicitudes, la latencia y las tasas de error de los modelos desplegados.
## ¿Cómo actualizo un modelo?
Para los conjuntos de datos que subes tú, ve a la pestaña **Data** y haz clic en **Add Files** para aportar datos actualizados. Los conjuntos de datos sincronizados de Topsort se actualizan en tiempo real.
Actualizar un conjunto de datos y actualizar un modelo entrenado son pasos separados. Vuelve a entrenar el modelo con los conjuntos de datos actualizados, revisa su rendimiento y despliega el modelo actualizado cuando esté listo.
## ¿Mis datos están aislados de otros minoristas?
Sí. Tus datos subidos y tus modelos con fine-tuning están completamente aislados por minorista y no se comparten con otros minoristas.
## ¿Cuáles son las políticas de retención y eliminación?
Las políticas de retención y eliminación se pueden configurar según tus requisitos. Comenta estos requisitos con tu representante de Topsort durante la configuración.
## ¿Puedo traer mi propio modelo?
Sí. T-Brain puede alojar y desplegar tu propio modelo. También puedes usar los embeddings de T-Brain como entradas de modelos que construyas tú.
## ¿Cómo conecto un modelo a mi tienda?
Tu aplicación llama a un modelo desplegado a través de una API y usa su respuesta en experiencias como la búsqueda o las recomendaciones.
La documentación de la API está disponible bajo solicitud, incluidos la autenticación, los formatos de solicitud y respuesta, la latencia y los límites de tasa.
[Habla con un representante de ventas de Topsort](https://www.topsort.com/book-a-demo) para empezar.
***
This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.