Fundamentos de MLOps y tracking de modelos
¿Qué es MLOps y para qué sirve?
Tracking de modelos en localhost con MLflow
Tracking de modelos en localhost: directorio personalizado
Etapas del ciclo de MLOps
Componentes de MLOps
Tracking de modelos con MLflow y SQLite
Tracking de modelos con MLflow en la nube
Tracking del ciclo de vida de modelos de machine learning
Tracking de experimentos con MLflow: preprocesamiento de datos
Tracking de experimentos con MLflow: definición de funciones
Tracking de experimentos con MLflow: tracking de métricas e hiperparámetros
Tracking de experimentos con MLflow: reporte de clasificación
Entrenamiento de modelos baseline y análisis en UI de MLflow
MLflow Model Registry: registro y uso de modelos
Registro de modelos con mlflow.client
Testing de modelo desde MLflow con datos de prueba
¿Para qué sirve el tracking de modelos en MLOps?
Orquestación de pipelines de machine learning
Tasks con Prefect
Flows con Prefect
Flow de modelo de clasificación de tickets: procesamiento de datos y features
Flow de modelo de clasificación de tickets: integración de las tasks
Flow de modelo de clasificación de tickets: ejecución de tasks
¿Cómo se integra la orquestación en MLOps?
Despliegue de modelo de machine learning
Despligue con Docker y FastAPI: configuración y requerimientos
Despligue con Docker y FastAPI: definición de clases y entry point
Despligue con Docker y FastAPI: procesamiento de predicciones en main app
Despligue con Docker y FastAPI: configuración de la base de datos
Despliegue y pruebas de modelo de machine learning en localhost
Despliegue y pruebas de modelo de machine learning en la nube
¿Qué hacer con el modelo desplegado?
Monitoreo de modelo de machine learning en producción
¿Cómo monitorear modelos de machine learning en producción?
Entrenamiento de modelo baseline
Preparar datos para crear reporte con Evidently
Análisis de la calidad de los datos con Evidently
Creación de reportes con Grafana
¿Cómo mejorar tus procesos de MLOps?
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
MLflow Model Registry: registro y uso de modelos
13/35¿Cómo crear inferencias con modelos en MLflow?
Crear inferencias con modelos en MLflow es un proceso sencillo y eficaz gracias a su integración con Scikit-Learn. Este flujo de trabajo nos permite cargar el modelo como una instancia y aplicar métodos comunes para obtener predicciones, parámetros y más. Aquí te guiaremos paso a paso para utilizar esta potente herramienta.
¿Qué es MLflow y cómo lo integramos?
MLflow es una plataforma que proporciona un flujo de trabajo unificado para manejar el ciclo de vida completo de Machine Learning.
-
Carga del modelo: Se utiliza el método
load_modelde MLflow para cargar el modelo, permitiendo tener acceso a métodos tradicionales de Scikit-Learn, como.predict,.getParams, entre otros. -
Verificación de datos: Asegúrate de que la dimensión de los datos iniciales y las etiquetas sea la misma antes de proceder con las predicciones. Esto se recomienda hacer con un
assert.
¿Cómo registrar y conectar experimentos?
Registrar modelos y experimentos en MLflow es esencial para tener un visibilidad clara de cada etapa del proceso de ML.
-
Registro de experimentos: Puedes crear nuevos experimentos, por ejemplo,
regression models, lo cual se asocia a un nuevo ID de experimento. Luego, puedes ejecutar estos experimentos para generar resultados. -
Conexión del cliente: Utiliza MLflow para conectarte con tu cliente o base de datos backend, previamente configurados, para buscar y gestionar tus experimentos.
¿Cómo manejar el registro de modelos?
Registrar modelos dentro de MLflow permite monitorear su estado, ya sea en "staging" o en producción.
-
Promoción de modelos: Ve a la interfaz de MLflow y registra los mejores modelos. Puedes crear tags como "regression classifier" para identificarlos y proporcionar descripciones detalladas.
-
Configuración de estados: Asigna estados temporales como "staging" para modelos que están en pruebas antes de su implementación definitiva en producción. Esto facilita la transición y garantiza que los modelos más efectivos lleguen al entorno productivo.
¿Cuáles son las mejores prácticas para el uso de MLflow?
-
Optimización de métricas: Asegúrate de que los modelos optimicen las métricas relevantes para el problema de negocio que estás resolviendo.
-
Comparación de modelos: Anota y compara múltiples configuraciones para determinar cuáles ofrecen las mejores soluciones.
-
Descripciones detalladas: Incluye en las descripciones todas las características y métricas de optimización para facilitar la identificación y transición de estados.
MLflow es una herramienta robusta que, combinada con Scikit-Learn, permite un monitoreo eficiente y gestión profesional del ciclo de vida de los experimentos en Machine Learning. Con estas prácticas, estarás preparado para optimizar tus modelos y avanzar en tus proyectos de manera efectiva.
Aportes 2
Preguntas 0
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?