Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
OPERACIONES EN APRENDIZAJE AUTOMÁTICO (MLOPS) :...
Search
Abraham Zamudio
May 22, 2025
0
9
OPERACIONES EN APRENDIZAJE AUTOMÁTICO (MLOPS) : EPC2025
Abraham Zamudio
May 22, 2025
Tweet
Share
More Decks by Abraham Zamudio
See All by Abraham Zamudio
PIT - Estadistica inferencial con Python
robintux
0
2
Análisis exploratorio de datos con R
robintux
0
0
Introducción a la Ciencia de Datos Sociales
robintux
0
6
El lenguaje de programación Julia
robintux
0
7
PIT - Introducción a la programación con Julia
robintux
0
14
Calculo_Estocastico_Charla
robintux
0
13
Módulo 1: Introducción a los Datos Geoespaciales
robintux
0
23
Módulo 2: Estructuras de Datos en GeoPandas
robintux
0
22
PROGRAMACION ESTADISTICA CON R (Clase2)
robintux
0
16
Featured
See All Featured
Fantastic passwords and where to find them - at NoRuKo
philnash
51
3.4k
Making the Leap to Tech Lead
cromwellryan
134
9.5k
GitHub's CSS Performance
jonrohan
1031
460k
Git: the NoSQL Database
bkeepers
PRO
431
65k
Evolution of real-time – Irina Nazarova, EuRuKo, 2024
irinanazarova
8
890
The Cost Of JavaScript in 2023
addyosmani
53
8.8k
Save Time (by Creating Custom Rails Generators)
garrettdimon
PRO
32
1.4k
Improving Core Web Vitals using Speculation Rules API
sergeychernyshev
18
1.1k
Producing Creativity
orderedlist
PRO
347
40k
What's in a price? How to price your products and services
michaelherold
246
12k
"I'm Feeling Lucky" - Building Great Search Experiences for Today's Users (#IAC19)
danielanewman
229
22k
A designer walks into a library…
pauljervisheath
207
24k
Transcript
Abraham Zamudio OPERACIONES EN APRENDIZAJE AUTOMÁTICO (MLOPS)
¿Qué es MLOps? MLOps = Machine Learning + DevOps +
Ingeniería de datos. Una práctica para poner modelos en producción de forma confiable. https://www.linkedin.com/in/abraham-zamudio/
¿Por qué es importante? • Sin MLOps, los modelos se
quedan en notebooks. Con MLOps, los llevamos al mundo real y los mantenemos funcionando. https://www.linkedin.com/in/abraham-zamudio/
Componentes principales • 1. Desarrollo del modelo • 2. Integración
continua • 3. Despliegue continuo • 4. Monitoreo • 5. Gobierno del modelo https://www.linkedin.com/in/abraham-zamudio/
Reproducibilidad ¡Si no puedes repetirlo, no sirve! MLOps asegura que
cualquier experimento pueda replicarse exactamente. Factores que influyen en la falta de reproducibilidad https://www.linkedin.com/in/abraham-zamudio/
Auditabilidad • ¿Quién entrenó este modelo? • ¿Con qué datos?
MLOps mantiene trazabilidad de todo el ciclo de vida. https://www.linkedin.com/in/abraham-zamudio/
Mejores prácticas • Versionado de datos y modelos • Pipelines
automatizados • Pruebas de modelos • Revisión de código https://www.linkedin.com/in/abraham-zamudio/
CI/CD en MLOps • No es solo código: también datos,
características y modelos. CI/CD se extiende al ciclo completo de ML. https://www.linkedin.com/in/abraham-zamudio/
Infraestructura como código • Con herramientas como Terraform y Kubernetes,
automatizamos la infraestructura para ML como si fuera software. https://www.linkedin.com/in/abraham-zamudio/
Monitoreo en producción ¡Cuidado con la deriva de datos! MLOps
permite detectar problemas antes de que los modelos se vuelvan inútiles. https://www.linkedin.com/in/abraham-zamudio/
Comparación: Ingeniería de Software vs MLOps • SW tradicional →
Código determinista • MLOps → Código + datos + modelos + experimentos = Mayor complejidad https://www.linkedin.com/in/abraham-zamudio/
Retos únicos del ML • 1. Variabilidad de datos •
2. Entrenamiento costoso • 3. Ambigüedad en resultados • 4. Sesgo y ética https://www.linkedin.com/in/abraham-zamudio/
Estrategias de implementación • Empieza pequeño: un pipeline básico. •
Escala con herramientas como MLflow, Kubeflow, TFX o SageMaker. https://www.linkedin.com/in/abraham-zamudio/
Herramientas comunes https://www.linkedin.com/in/abraham-zamudio/
Roles en MLOps Todos colaboran para que funcione. https://www.linkedin.com/in/abraham-zamudio/
Casos de uso reales Desde recomendaciones hasta detección de fraudes,
MLOps ayuda a entregar valor real y medible. https://www.linkedin.com/in/abraham-zamudio/
Ética y gobernanza La auditabilidad ayuda a detectar sesgos, aplicar
regulaciones y proteger al usuario. https://www.linkedin.com/in/abraham-zamudio/
Métricas clave • Latencia del modelo • Accuracy real •
Deriva de datos • Tiempo de despliegue • Costo operacional https://www.linkedin.com/in/abraham-zamudio/
MLOps ≠ Opcional Es la única forma de garantizar que
los modelos escalen, evolucionen y sigan siendo útiles. https://www.linkedin.com/in/abraham-zamudio/