Fundamentos de MLOps y tracking de modelos

1

¿Qué es MLOps y para qué sirve?

2

Tracking de modelos en localhost con MLflow

3

Tracking de modelos en localhost: directorio personalizado

4

Etapas del ciclo de MLOps

5

Componentes de MLOps

6

Tracking de modelos con MLflow y SQLite

7

Tracking de modelos con MLflow en la nube

Tracking del ciclo de vida de modelos de machine learning

8

Tracking de experimentos con MLflow: preprocesamiento de datos

9

Tracking de experimentos con MLflow: definición de funciones

10

Tracking de experimentos con MLflow: tracking de métricas e hiperparámetros

11

Tracking de experimentos con MLflow: reporte de clasificación

12

Entrenamiento de modelos baseline y análisis en UI de MLflow

13

MLflow Model Registry: registro y uso de modelos

14

Registro de modelos con mlflow.client

15

Testing de modelo desde MLflow con datos de prueba

16

¿Para qué sirve el tracking de modelos en MLOps?

Orquestación de pipelines de machine learning

17

Tasks con Prefect

18

Flows con Prefect

19

Flow de modelo de clasificación de tickets: procesamiento de datos y features

20

Flow de modelo de clasificación de tickets: integración de las tasks

21

Flow de modelo de clasificación de tickets: ejecución de tasks

22

¿Cómo se integra la orquestación en MLOps?

Despliegue de modelo de machine learning

23

Despligue con Docker y FastAPI: configuración y requerimientos

24

Despligue con Docker y FastAPI: definición de clases y entry point

25

Despligue con Docker y FastAPI: procesamiento de predicciones en main app

26

Despligue con Docker y FastAPI: configuración de la base de datos

27

Despliegue y pruebas de modelo de machine learning en localhost

28

Despliegue y pruebas de modelo de machine learning en la nube

29

¿Qué hacer con el modelo desplegado?

Monitoreo de modelo de machine learning en producción

30

¿Cómo monitorear modelos de machine learning en producción?

31

Entrenamiento de modelo baseline

32

Preparar datos para crear reporte con Evidently

33

Análisis de la calidad de los datos con Evidently

34

Creación de reportes con Grafana

35

¿Cómo mejorar tus procesos de MLOps?

¿Qué es MLOps y para qué sirve?

1/35
Recursos
Transcripción

¿Cómo solucionar los problemas al llevar modelos de Machine Learning a producción?

Iniciar en el mundo de Machine Learning puede ser emocionante, pero enfrentar los desafíos de llevar un modelo a producción puede ser un dolor de cabeza. ¿Te suena familiar? Aquí es donde entra en juego MLOps, una práctica que promete solucionar los problemas más frecuentes relacionados con la producción y mantenimiento de estos modelos.

MLOps, que significa Machine Learning Operations, es una fusión del desarrollo de modelos de Machine Learning con las operaciones de TI. Este enfoque busca optimizar todo el ciclo de vida del modelo, desde su creación hasta su mantenimiento, asegurando que las predicciones sean precisas y rentables en el largo plazo. ¿Por qué es tan vital? Porque no solo incrementa la agilidad y eficiencia de los equipos, sino que también garantiza un funcionamiento óptimo de los modelos y reduce costos operativos.

¿Qué es MLOps y cómo funciona?

Esencialmente, MLOps gestiona las operaciones durante el ciclo de vida del modelo de Machine Learning. Esta gestión abarca:

  • Creación del modelo: Desarrollar un modelo robusto que sea capaz de aprender de los datos.
  • Implementación: Poner el modelo en un entorno productivo.
  • Monitoreo: Seguir el rendimiento y garantizar que las predicciones se mantengan precisas.
  • Mantenimiento: Realizar ajustes y mejoras basados en los resultados obtenidos.

Integrar MLOps dentro de una empresa es esencial para optimizar decisiones y reducir costos mientras se asegura una operación fluida y escalable de los algoritmos de Machine Learning.

¿Por qué es relevante para tu trabajo diario?

Ya sea que trabajes en ciencia de datos o en ingeniería de Machine Learning, entender cómo implementar MLOps puede ser un cambio de juego. Adoptar esta práctica permite:

  1. Desarrollar modelos eficientes: Mejorar la toma de decisiones automáticas y reducir tiempos en operaciones.
  2. Integración escalable: Implementar Machine Learning de manera efectiva en aplicaciones y productos.
  3. Recursos optimizados: Aprovechar al máximo el tiempo y el dinero invertidos, disminuyendo costos operativos.

Así, MLOps no es solo una herramienta técnica, sino una estrategia que transforma cómo una empresa se relaciona con sus productos de datos.

¿Qué aprenderás en este curso sobre MLOps?

En este curso, te espera un recorrido práctico sobre cómo integrar MLOps en tus proyectos. Aprenderás a desarrollar un flujo completo de MLOps conduciendo un modelo de predicción de tickets de clientes basado en quejas y comentarios. La instructora, Mera Camila Durango, combinará su experiencia en Mercado Libre y la comunidad AI en Medellín para guiarte paso a paso.

El objetivo es que transformes la manera en que piensas sobre la gestión de Machine Learning, habilitándote para desbloquear el verdadero potencial de tus modelos. Prepárate para sumergirte en este fascinante mundo del aprendizaje automatizado y operativo. ¡Te esperamos con entusiasmo en las próximas lecciones!

Aportes 10

Preguntas 0

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

No pude hacer mi reseña al terminar el curso, es por ello que la haré aquí. Realmente no puedo creer que este curso este en Platzi, es un curso que da por entendido TODO, no solo que no se explica prácticamente nada, sino que cuando se hacen las explicaciones son muy vacias, y terminas avanzando de clase con la angustia de no entender nada.
El curso es muy poco práctico porque al darte todo el trabajo hecho lo hacen ver más fácil pero lo único que hacen es perjudicarte porque no entendes el proceso que se realizo.
Pone triste que este sea uno de los ultimos cursos de la ruta de ciencia de datos, porque se lleva por delante todo el excelente trabajo que han hecho otros profesores en esta ruta de aprendizaje. Uno de los “últimos temas” y más importantes, prácticamente donde tenes que aplicar todas las habilidades aprendidas que termine de esta forma es triste.

Uno de los Cursos mas esperados :) muy feliz de comenzar este nuevo viaje :D!!
**MLOps (Machine Learning Operations)** * Optimizar el ciclo de vida de los modelos de ML * Incrementar la agilidad y eficiencia de los equipos de desarrollo * Garantizar la confiabilidad de los modelos * Optimizar recursos y reducir costos *MLOPS = Desarrollo Ops en IT + Modelos de Machine Learning* **Objetivo del curso:** * Integrar MLOps en notebooks de trabajo * Desarrollo, despliegue y monitoreo de modelo de ticket de cliente usando quejas y comentarios
Muy emocionado de empezar con éste curso de MLops, justo he querido implementarlo en mi empresa y ahora con este recurso concreto será mucho más fácil!.
MLflow es una herramienta de MLOps que permite gestionar el ciclo de vida de los modelos de machine learning, incluyendo el despliegue. Si bien su enfoque principal está en modelos de ML tradicionales, se puede extender para trabajar con modelos de lenguaje (LLMs) a través de su funcionalidad de model serving. Esto permite realizar el despliegue de estos modelos, facilitando su integración en aplicaciones y servicios. Para aprovechar al máximo MLflow con LLMs, es recomendable familiarizarse con los conceptos de tracking y gestión de modelos que se enseñan en el curso de MLOps.
me parece que este curso deberia estar en una ruta enfocada a el aprendizaje de maquina en donde se enseñen poco a poco los diferentes estadios de un proyecto terminando con MLOPS, este es un tema muy extenso que no se puede abarcar todo en un solo curso. Esta en la ruta de data scientist pero siento que hace falta mayor contexto o otros cursos complementarios para sacarle un mayor provecho y no solo agregar cursos en las rutas sin una conexión entre estos
genial
Es un curso mas bien regular, te incita a que descargues un github que ya esta todo hecho con codigo, no se empieza desde cero... tienes que adivinar para que sirve todo ese juergo de librerias, y tienes que consultar para que sirve todas esas carpetas, directorios y archivos, solo hace cambio de unas lineas de codigo y listo, trague entero y dios me lo bendiga.. curso totalmente recomendado para los que tengan una gran fuerza de fe y que dios nos bendiga para que sirve todo el codigo parafraseado.
Yo soy muy bebe jaja aun en lo de Machine Learning pero woow esto se ve poderoso y me gusta aprender asi que vamos a ello, saludos a todos suerte y animo nota aun soy estudiante algo que me recomienden

Que buen curso!