MLOps: de modelo a producción
Aprende a desplegar, operar y mantener modelos de machine learning en producción de forma fiable, reproducible y escalable.
Sobre el curso
Curso avanzado para científicos de datos e ingenieros de ML y software que ya entrenan modelos y necesitan llevarlos a producción. Recorrerás todo el ciclo de vida: reproducibilidad con Git y DVC, seguimiento con MLflow, servicio con FastAPI y Docker, orquestación, CI/CD, Kubernetes, monitorización de drift, gobernanza y LLMOps. Terminarás con un proyecto de extremo a extremo basado en una arquitectura de referencia agnóstica de nube y una checklist de producción.
Qué aprenderás
- Garantizar la reproducibilidad de entrenamientos versionando entorno, código, datos y modelos con Git, DVC y MLflow.
- Empaquetar y servir modelos mediante APIs con FastAPI y contenedores Docker desplegados en Kubernetes con estrategias canary, A/B o shadow.
- Automatizar pipelines de entrenamiento y flujos de CI/CD con tests de código, de datos y de modelo.
- Monitorizar modelos en producción detectando data drift y concept drift y definiendo alertas accionables ligadas a métricas de negocio.
- Aplicar prácticas de gobernanza, seguridad, control de costes y LLMOps para operar sistemas de IA de forma responsable.
Temario
-
1 Qué es MLOps, ciclo de vida y niveles de madurez
Objetivo: entender qué es MLOps, por qué la mayoría de los modelos que funcionan en un notebook fracasan al llegar a producción y cómo evaluar el nivel de madurez de tu organización para decidir…
La lección completa está en el aula virtual.
-
2 Reproducibilidad: entornos y versionado de código, datos y modelos con Git y DVC
Objetivo: conseguir que cualquier persona del equipo pueda reproducir un entrenamiento exactamente igual meses después, controlando entorno, código, datos y modelos con Git y DVC. 1. Las cuatro fuentes de variabilidad Un resultado de…
La lección completa está en el aula virtual.
-
3 Seguimiento de experimentos y registro de modelos con MLflow
Objetivo: registrar de forma sistemática parámetros, métricas y artefactos de cada experimento con MLflow, y gestionar el paso de un modelo desde la experimentación hasta producción mediante un registro de modelos. 1. Por qué…
La lección completa está en el aula virtual.
-
4 Empaquetado y servicio de modelos: API con FastAPI y contenedores Docker
Objetivo: convertir un modelo entrenado en un servicio que otros sistemas puedan consumir, exponiéndolo mediante una API con FastAPI y empaquetándolo en una imagen Docker reproducible, ligera y segura. 1. Formas de servir un…
La lección completa está en el aula virtual.
-
5 Pipelines de entrenamiento y orquestación
Objetivo: diseñar pipelines de entrenamiento modulares y orquestarlos para que se ejecuten de forma programada o por eventos, con reintentos, trazabilidad y paso de artefactos entre etapas, usando Airflow, Prefect o Kubeflow como ejemplos.…
La lección completa está en el aula virtual.
-
6 CI/CD para ML: tests de datos, de modelo y de código con GitHub Actions
Objetivo: construir un flujo de integración y entrega continuas adaptado al machine learning, con tests de código, de datos y de modelo, y automatizarlo con GitHub Actions como ejemplo. 1. Qué cambia en CI/CD…
La lección completa está en el aula virtual.
-
7 Despliegue en Kubernetes y estrategias de lanzamiento
Objetivo: desplegar servicios de inferencia en Kubernetes de forma escalable y segura, y elegir la estrategia de lanzamiento adecuada (batch u online, canary, A/B, shadow, blue/green) según el riesgo y el tipo de modelo.…
La lección completa está en el aula virtual.
-
8 Monitorización: data drift, concept drift, métricas de negocio y alertas
Objetivo: detectar a tiempo cuándo un modelo en producción deja de funcionar bien, distinguiendo entre problemas de sistema, data drift y concept drift, y conectar las métricas técnicas con las de negocio mediante alertas…
La lección completa está en el aula virtual.
-
9 Feature stores, gobernanza, seguridad y coste
Objetivo: comprender cómo los feature stores eliminan inconsistencias entre entrenamiento y servicio, y aplicar prácticas de gobernanza, seguridad y control de costes que hacen que una plataforma de ML sea sostenible y conforme a…
La lección completa está en el aula virtual.
-
10 LLMOps: particularidades de operar modelos de lenguaje
Objetivo: conocer las particularidades de operar modelos de lenguaje grandes (LLMOps) en producción: gestión de prompts, evaluación, RAG, servicio, observabilidad, seguridad y coste por token. 1. Qué cambia con los LLM Muchas prácticas de…
La lección completa está en el aula virtual.
-
11 Proyecto final: arquitectura de referencia y checklist de producción
Objetivo: integrar todo lo aprendido en un proyecto final de extremo a extremo, siguiendo una arquitectura de referencia agnóstica de nube y validándolo con una checklist de preparación para producción. 1. Arquitectura de referencia…
La lección completa está en el aula virtual.