01
Desplegar un modelo no es la meta
Un modelo de ML no es un software que construyes una vez y te olvidas. Recopilas datos, entrenas, evalúas y despliegas, y después sigues vigilando cómo rinde y reentrenándolo con datos nuevos, una y otra vez. La escena de abajo muestra ese ciclo. Prueba a elegir una etapa.
- Desplegar
- Pon el modelo en producción
El ciclo de vida de ML: el reentrenamiento final vuelve a la preparación de datos
Desplegar: Pon el modelo en producción. Las etapas en azul claro (desplegar, monitorear, reentrenar) son donde MLOps hace la mayor parte del trabajo.
En el software de siempre, si el código no cambia, el comportamiento tampoco. Aquí es donde mucha gente se confunde: con un modelo de ML, aunque el código sea exactamente el mismo, el rendimiento cambia cuando cambian los datos que llegan. Por eso no basta con versionar y vigilar el código; también hay que hacerlo con los datos y con el modelo. MLOps toma DevOps, la práctica que une el desarrollo y la operación de software, y la amplía para que encaje con el aprendizaje automático.
Las investigaciones sobre sistemas de ML reales encontraron que el código que entrena el modelo es solo una pequeña parte del total. El trabajo que lo rodea, como recopilar y validar datos, crear características, desplegar y monitorear, es mucho mayor. MLOps automatiza y registra ese trabajo, así hay menos errores por hacer las cosas a mano.
| Nivel de madurez | Cómo se ve |
|---|---|
| Manual | Alguien entrena a mano en un notebook y pasa un archivo del modelo. Difícil de reconstruir |
| Pipeline automatizado | Un pipeline va de los datos al registro y reentrena solo cuando llegan datos nuevos |
| CI/CD automatizado | Las pruebas y el despliegue del propio código del pipeline también están automatizados |
Si la pregunta dice… → elige esto
- “Un ciclo que se repite: datos → entrenamiento → evaluación → despliegue → monitoreo → reentrenamiento”Ciclo de vida de ML
- “Automatizar y estandarizar cómo se construyen y operan los modelos de ML”MLOps
- “Si el código no cambia, el rendimiento del modelo tampoco”Falso: el rendimiento cambia cuando cambian los datos
- “Versionar juntos el código, los datos y los modelos”Reproducibilidad en MLOps
El primer paso es convertir el trabajo manual en un pipeline que ejecute los mismos pasos en el mismo orden.
02
Pipelines y reproducibilidad
Un pipeline de entrenamiento ejecuta automáticamente, y en un orden fijo, la validación de datos, la creación de características, el entrenamiento, la evaluación y el registro del modelo. Se pone en marcha cuando se acumulan datos nuevos o según un calendario. El paso de evaluación tiene un mínimo de calidad, y ningún modelo que se quede por debajo pasa al siguiente paso. En la escena de abajo, prueba a hacer que este modelo no llegue al mínimo.
- Validar datos
- Superado
- Características
- Superado
- Entrenamiento
- Superado
- Evaluación
- Superado
- Registro
- Superado
Un pipeline de entrenamiento que se ejecuta solo cada vez que llegan datos nuevos
Todos los pasos se superaron automáticamente y el nuevo modelo quedó registrado. Como nadie lo hace a mano, cada vez se ejecutan los mismos pasos en el mismo orden, y más adelante puedes reconstruir exactamente este modelo.
Seguimiento de experimentos
Cada entrenamiento guarda los datos, la versión del código, los hiperparámetros y las métricas obtenidas, para que puedas comparar ejecuciones.
Metadatos y linaje
Permiten rastrear de principio a fin de qué datos y de qué pasos salió un modelo.
Registro de modelos
Guarda en un solo lugar las versiones del modelo, los resultados de evaluación y el estado de aprobación (staging, producción), y te deja volver atrás.
Validación de datos
Detecta automáticamente, antes de entrenar, valores faltantes, valores fuera de rango y columnas que cambiaron de formato.
Si la pregunta dice… → elige esto
- “Ejecuta automáticamente, uno tras otro, los pasos de entrenamiento, evaluación y despliegue”Pipeline de ML (orquestación)
- “Registra y compara los hiperparámetros y las métricas de cada ejecución”Seguimiento de experimentos
- “Rastrea de qué datos salió un modelo”Metadatos y linaje
- “Gestiona las versiones del modelo y su estado de aprobación, y permite revertir”Registro de modelos
- “Impide que se despliegue automáticamente un modelo que no llega al mínimo”Control de calidad en el paso de evaluación
Ahora toca lanzar el modelo registrado al servicio real. Y hay más de una forma de hacerlo.
Publicidad
03
Despliegue: cuándo predecir y cómo cambiar de modelo
Primero, hay dos formas de servir predicciones según cuándo las hagas. La inferencia por lotes predice sobre muchos datos de una vez, con un horario fijo, y guarda los resultados. La inferencia en tiempo real (online) predice en el momento en que llega una solicitud y devuelve la respuesta enseguida. También existe la inferencia en el borde (edge), donde la predicción se hace directamente en el dispositivo.
| Tipo | Cuándo encaja | Cómo es |
|---|---|---|
| Inferencia por lotes | Calcular cada noche el riesgo de abandono de todos los clientes | Barata y sencilla. Los resultados no cambian hasta la siguiente ejecución |
| Inferencia en tiempo real | Detectar fraude al pagar, recomendaciones en la búsqueda | Tiene que responder rápido. El endpoint sigue activo y escala hacia arriba y hacia abajo |
| Inferencia en el borde | La cámara de un teléfono, máquinas de una fábrica | Rápida y sin red. El modelo tiene que ser pequeño |
Cuando cambias a un modelo nuevo, lo habitual es repartir el riesgo en lugar de cambiarlo todo de golpe. En la escena de abajo, prueba cada forma de lanzamiento.
- Solicitudes que respondió v2
- 2 / 20
- Reversión
- Solo afecta al 10%; vuelves a poner la proporción en 0
Formas de lanzar un nuevo modelo v2 (verde = solicitudes que respondió v2)
Solo el 10% de las solicitudes va a v2. Observas cómo se comporta y, si todo va bien, subes la proporción poco a poco. Si algo falla, solo se ven afectados unos pocos usuarios.
Uses el método que uses, compruebas con métricas reales que el modelo nuevo de verdad es mejor que el anterior. Las pruebas A/B de la guía de métricas de evaluación sirven justo para eso. Además, conservas las versiones anteriores en el registro para poder revertir en cualquier momento.
Si la pregunta dice… → elige esto
- “Predice sobre grandes volúmenes con un horario fijo”Inferencia por lotes
- “Predice al instante y con baja latencia para cada solicitud”Inferencia en tiempo real (online), endpoint
- “Envía parte del tráfico al modelo nuevo y lo aumenta poco a poco”Despliegue canario
- “El modelo nuevo recibe copias de las solicitudes y solo predice; los usuarios nunca ven su resultado”Despliegue en sombra (shadow)
- “Dos entornos, el tráfico cambia de una vez y se revierte al instante”Despliegue azul/verde
Una vez desplegado el modelo, no puedes relajarte. El mundo que ve el modelo sigue cambiando.
Solo Pro
Hasta aquí llega la parte gratuita
Los otros 5 capítulos están disponibles para suscriptores Pro. Cada uno sigue con visuales en 3D y pistas de “si la pregunta dice…”, y en el último capítulo lo pones a prueba tú mismo.
- 04Monitoreo y deriva
- 05Reentrenamiento
- 06Desfase entre entrenamiento y producción, y almacén de características
- 07LLMOps
- 08Elegir el enfoque
PasslyExam
Ya leíste el concepto. Ahora ponlo a prueba con preguntas de examen
PasslyExam ofrece preguntas de práctica originales, explicaciones y simulacros completos basados en la guía oficial de cada certificación. Las explicaciones cubren por qué la opción correcta es la correcta y por qué las opciones parecidas no lo son. Regístrate y practica gratis todos los días.
Exámenes que incluyen este concepto