examennnn rrespuuestas
Resumen
1.
¿Qué es lo primero que debes hacer cuando te entregan un proyecto de machine learning que debe ponerse en producción?
Probar y explorar cómo funciona la API y su endpoint, cómo se genera el modelo y qué librerías se usan.
2.
¿Por qué es necesario conocer la librería con la que se crea la API del modelo de machine learning?
De esta manera se puede entender mejor cómo funciona la API y sus endpoints, cómo utilizarla para nuestro propósito y cómo debe ejecutarse en un entorno productivo.
3.
¿Sería correcto dejar sin pruebas a nuestra API con la que se disponibiliza el modelo de machine learning?
No, todo software que verá entornos de producción deben ser probados correctamente e incluso pasar por un entorno de pruebas.
4.
¿Cuáles serían mejoras profundas para preparar de la mejor forma un proyecto de machine learning que se pondrá en producción?
Cambiar la librerías, estructurar el proceso de entrenamiento y re-entrenamiento, aplicar dockerización y seleccionar el mejor servicio cloud.
5.
¿FastAPI siempre debe ser usado para API de proyectos de machine learning?
No necesariamente, pero es muy utilizado actualmente por la simplicidad y velocidad con la que se puede crear una API.
Ver menos
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?