MLOps
MLOps combina Machine Learning con DevOps para crear sistemas de entrenamiento, despliegue, monitoreo y mantenimiento automatizados. Es esencial para operar IA a escala en entornos reales.
Tabla de contenidos
- Qué es MLOps
- Pipelines de ML
- CI/CD para modelos
- MLflow
- Kubeflow
- Feature Store
- Monitorización avanzada
- Ejemplo conceptual
- Ejercicios
1. Qué es MLOps
MLOps es el conjunto de prácticas para automatizar el ciclo de vida completo del ML:
- Entrenamiento
- Validación
- Despliegue
- Monitoreo
- Retraining
2. Pipelines de ML
Un pipeline automatiza cada paso del proceso de ML.
data → preprocess → train → evaluate → deploy
- Airflow
- Prefect
- Dagster
3. CI/CD para modelos
CI/CD permite desplegar modelos automáticamente cuando pasan pruebas.
- Tests de datos
- Tests de precisión
- Tests de rendimiento
- Despliegue automático
4. MLflow
MLflow es una herramienta para gestionar experimentos, modelos y despliegues.
import mlflow
mlflow.log_metric("accuracy", 0.92)
- Tracking
- Model Registry
- Deployments
5. Kubeflow
Kubeflow permite ejecutar pipelines de ML en Kubernetes.
- Escalado automático
- Entrenamiento distribuido
- Gestión de recursos
6. Feature Store
Un Feature Store centraliza características para entrenamiento e inferencia.
- Consistencia entre entrenamiento e inferencia
- Versionado de features
- Reutilización
7. Monitorización avanzada
MLOps incluye monitoreo especializado:
- Drift de datos
- Drift de modelo
- Calidad de predicciones
- Alertas automáticas
8. Ejemplo conceptual
pipeline.run()
mlflow.register_model("modelo_v2")
kubeflow.deploy("modelo_v2")
9. Ejercicios
- Define MLOps.
- Explica qué es un pipeline de ML.
- Menciona una herramienta de CI/CD.
- ¿Qué es MLflow?
- ¿Para qué sirve un Feature Store?
# pista pipeline
"Automatiza todo el flujo de ML."# pista mlflow
"Gestiona experimentos y modelos."