OPERACIONES EN APRENDIZAJE AUTOMÁTICO (MLOPS) : EPC2025

Transcript

1. Abraham Zamudio OPERACIONES EN APRENDIZAJE AUTOMÁTICO (MLOPS)
2. ¿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/
3. ¿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/
4. 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/
5. 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/
6. Auditabilidad • ¿Quién entrenó este modelo? • ¿Con qué datos? MLOps mantiene trazabilidad de todo el ciclo de vida. https://www.linkedin.com/in/abraham-zamudio/
7. Mejores prácticas • Versionado de datos y modelos • Pipelines automatizados • Pruebas de modelos • Revisión de código https://www.linkedin.com/in/abraham-zamudio/
8. 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/
9. 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/
10. 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/
11. Comparación: Ingeniería de Software vs MLOps • SW tradicional → Código determinista • MLOps → Código + datos + modelos + experimentos = Mayor complejidad https://www.linkedin.com/in/abraham-zamudio/
12. 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/
13. Estrategias de implementación • Empieza pequeño: un pipeline básico. • Escala con herramientas como MLflow, Kubeflow, TFX o SageMaker. https://www.linkedin.com/in/abraham-zamudio/
14. Herramientas comunes https://www.linkedin.com/in/abraham-zamudio/
15. Roles en MLOps Todos colaboran para que funcione. https://www.linkedin.com/in/abraham-zamudio/
16. 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/
17. Ética y gobernanza La auditabilidad ayuda a detectar sesgos, aplicar regulaciones y proteger al usuario. https://www.linkedin.com/in/abraham-zamudio/
18. Métricas clave • Latencia del modelo • Accuracy real • Deriva de datos • Tiempo de despliegue • Costo operacional https://www.linkedin.com/in/abraham-zamudio/
19. MLOps ≠ Opcional Es la única forma de garantizar que los modelos escalen, evolucionen y sigan siendo útiles. https://www.linkedin.com/in/abraham-zamudio/