Machine Learning y Visión Artificial · ML-111

MLOps: versionado, despliegue y monitorización

Del modelo en el cuaderno al modelo en servicio, con versionado, reentrenamiento y control de deriva.

Bajo demanda Especialización 7 módulos · 30 clases

Formato asíncrono Desarrollo, Ingeniería / Industria Python, Docker, Grafana

IA DESARROLLO CLOUD

Lo que aprenderás

Versionar datos, código y modelos de forma que un resultado antiguo se pueda reproducir por completo.
Registrar experimentos y artefactos en un registro de modelos con métricas y linaje asociados.
Empaquetar un modelo en una imagen Docker y exponerlo como servicio de inferencia con API HTTP.
Definir pruebas automáticas de datos y de modelo que bloqueen un despliegue defectuoso.
Detectar deriva de datos y de concepto comparando distribuciones de entrada y métricas en servicio.
Construir paneles de Grafana con latencia, volumen de peticiones y calidad del modelo en producción.

Contenido del curso

7 módulos · 30 clases en vídeo · práctica guiada en cada módulo

Módulo 1 · Qué falla sin MLOps 4 clases

El cuaderno irreproducible y sus consecuencias
Ciclo de vida de un modelo en servicio
Roles y responsabilidades en el equipo
Entorno de trabajo del curso

Módulo 2 · Versionado y trazabilidad 5 clases

Git para código y estructura de proyecto
Versionado de conjuntos de datos y de artefactos
Registro de experimentos: parámetros, métricas y linaje
Registro de modelos y promoción entre etapas
Reproducir un resultado de hace meses

Módulo 3 · Empaquetado y despliegue 5 clases

Dependencias fijadas y entornos reproducibles
Dockerfile para un servicio de inferencia
API de predicción y validación de la entrada
Pruebas de carga y dimensionado del servicio
Despliegue con docker compose

Módulo 4 · Automatización y calidad 4 clases

Pruebas de esquema y de calidad de datos
Pruebas del modelo y umbral mínimo aceptable
Canalización de integración continua
Reentrenamiento automatizado y aprobación manual

Módulo 5 · Monitorización 4 clases

Métricas de servicio: latencia, errores y volumen
Métricas de calidad del modelo con etiqueta diferida
Paneles de Grafana para el equipo de operación
Alertas útiles frente a alertas que se ignoran

Módulo 6 · Deriva y mantenimiento 4 clases

Deriva de datos frente a deriva de concepto
Pruebas estadísticas para detectar cambio de distribución
Política de reentrenamiento y ventana de datos
Retirada y sustitución de un modelo en servicio

Módulo 7 · Proyecto de cierre 4 clases

Puesta en servicio de un modelo propio de principio a fin
Panel de monitorización completo
Simulación de deriva y respuesta del sistema
Documentación de operación del modelo

Requisitos

Haber entrenado modelos propios con scikit-learn, PyTorch o TensorFlow.
Manejo de línea de comandos, Git y nociones de contenedores.
Conocimientos básicos de redes: puertos, HTTP y variables de entorno.
Un equipo donde se pueda ejecutar Docker en local.

Descripción

El modelo funciona en el cuaderno de quien lo entrenó y nadie más consigue reproducirlo. Los datos han cambiado desde entonces, no se sabe con qué versión se obtuvo aquella métrica y, cuando el modelo empieza a fallar en producción, no hay forma de demostrar cuándo empezó a degradarse ni con qué compararlo.

Este curso monta la cadena completa: control de versiones de datos y de modelos, registro de experimentos con sus métricas y su linaje, empaquetado en Docker y publicación como servicio de inferencia. Se añaden pruebas automáticas sobre el esquema de los datos y sobre el rendimiento mínimo aceptable, de modo que un despliegue defectuoso no llegue a servicio.

La última parte es la operación: métricas de latencia y volumen, seguimiento de la calidad real del modelo, detección de deriva de datos y de concepto, y disparo de reentrenamiento con criterios definidos. Todo ello observado en paneles de Grafana. Es el paso que convierte un proyecto de ciencia de datos en un sistema que el equipo de operación puede mantener.

¿Para quién es este curso?

Perfiles de desarrollo que han entrenado modelos y ahora deben ponerlos en servicio y mantenerlos.
Ingeniería de datos que hereda modelos de terceros y necesita trazabilidad y control de versiones.
Equipos que ya tienen modelos en producción sin monitorización y no saben cuándo se degradan.