Skip to main content

MLOps(DevOps)

Generator

MLOps (Machine Learning Operations) es una práctica que combina la implementación de modelos de machine learning con los principios de DevOps para garantizar que los modelos se desplieguen de manera eficiente, escalable y reproducible. Facilita la colaboración entre equipos de datos e ingeniería, automatiza el ciclo de vida del modelo (desde el desarrollo hasta el monitoreo en producción), y mejora la gestión de experimentos, la infraestructura y la entrega continua de modelos en entornos reales.

¿Qué aprenderás?​

En este programa aprenderás cómo llevar modelos de machine learning a producción de manera efectiva. Comenzarás con una introducción a MLOps, donde entenderás su importancia y cómo mejorar el ciclo de vida de un modelo. Aprenderás a rastrear experimentos y gestionar modelos usando herramientas como MLflow, a orquestar pipelines de ML, y a implementar modelos en diferentes entornos, tanto en línea como por lotes. Además, descubrirás cómo monitorear los modelos en producción y aplicar las mejores prácticas en pruebas, CI/CD, y automatización de la infraestructura utilizando herramientas como Terraform.

¿A quién está dirigido?​

Este programa está dirigido a científicos de datos e ingenieros de machine learning que desean aprender cómo llevar modelos a producción, así como a ingenieros de software e ingenieros de datos interesados en incorporar machine learning en sus sistemas.

Stack​

En este programa usarás un stack tecnológico que incluye Python para desarrollar y gestionar los modelos de machine learning, Docker para contenerización y despliegue eficiente, MLflow para el seguimiento de experimentos y la gestión de modelos, y herramientas de monitoreo como Prometheus, Grafana y Evidently. También aprenderás a implementar modelos utilizando Flask para servicios web, AWS Kinesis y Lambda para streaming, y Prefect/Airflow para la orquestación de pipelines. Para infraestructura como código, utilizarás Terraform y para CI/CD, GitHub Actions.

Plan de Estudios​

Módulo 1: Introducción a MLOps​

  • ¿Qué es MLOps?
  • Modelo de madurez de MLOps
  • Ejemplo práctico: análisis de datos de viajes en taxi en Nueva York
  • Importancia de MLOps
  • Descripción del programa y preparación del entorno

Módulo 2: Seguimiento de experimentos y gestión de modelos​

  • Introducción al seguimiento de experimentos
  • Uso de MLflow para seguimiento y gestión de modelos
  • Registro de modelos y uso de MLflow en la práctica

Módulo 3: Orquestación y pipelines de ML​

  • Orquestación de flujos de trabajo de machine learning
  • Introducción a Prefect para la gestión de pipelines

Módulo 4: Implementación de modelos​

  • Tres tipos de implementación: en línea (web y streaming) y fuera de línea (lotes)
  • Implementación web con Flask
  • Consumo de eventos con AWS Kinesis y Lambda
  • Procesamiento por lotes

Módulo 5: Monitoreo de modelos​

  • Monitoreo de servicios de ML
  • Monitoreo web con Prometheus, Evidently y Grafana
  • Monitoreo por lotes con Prefect, MongoDB y Evidently

Módulo 6: Mejores prácticas​

  • Pruebas unitarias e integración
  • Linting, formateo y CI/CD con GitHub Actions
  • Infraestructura como código con Terraform

Módulo 7: Proyecto final​

  • Aplicación de todo lo aprendido en un proyecto completo de principio a fin