¿Para qué sirve el tracking de modelos en MLOps?

Curso de MLOPS: Despliegue de Modelos de Machine Learning

Fundamentos de MLOps y tracking de modelos

Optimización de flujos de MLOps para Machine Learning eficaz

Tracking de Modelos con MLflow en Python

Seguimiento de Experimentos de MLFlow en Carpeta Local

Principios Esenciales de MLOps: Diseño, Desarrollo y Operaciones

Modelado y despliegue de servicios de Machine Learning con MLOps

Tracking de MLflow con Bucket y SQLite: Guía Práctica

Seguimiento de ML con AWS: Instancia, Postgres y S3

Tracking del ciclo de vida de modelos de machine learning

Clase de Procesamiento de Texto y Extracción de Características

Procesamiento de Texto con Scikit-learn y MLflow

Seguimiento de métricas e hiperparámetros con MLflow

Guardado y Seguimiento de Modelos con MLflow y CycleLearn

Optimización de Hiperparámetros con Grid Search y Validación Cruzada

Implementación de Modelos con MLflow y Scikit-Learn

Pruebas de Integridad para Modelos de Machine Learning

Métricas de Modelos Usando MLflow y SciPy

Tracking de Modelos y Datos en MLOps con MLflow

Orquestación de pipelines de machine learning

Automatización de Tareas en Machine Learning con Prefect

Flujos de Trabajo en Visual Studio Code para Machine Learning

Clasificación de Tickets con Machine Learning en Python

Transformación de Datos y Entrenamiento del Mejor Modelo MLflow

Ejecución de flujos Prefect: Tareas en serie y en paralelo

Orquestación de flujos con Prefect: optimización flexible de procesos

Despliegue de modelo de machine learning

Despliegue de Modelos con Docker y FastAPI

Creación de APIs con FastAPI y Pydantic

Modelado de datos y predicción en Python con matrices dispersas

Configuración de Base de Datos en SQLModel y Docker Compose

Configuración y Despliegue de Aplicaciones con Docker y AWS

Configuración de Seguridad en AWS para Aplicaciones Web

Autoescalado de Modelos Machine Learning en Producción

Monitoreo de modelo de machine learning en producción

Estrategias para Monitoreo de Modelos en Producción MLOps

Monitoreo de modelos en producción con PyCaret y MLflow

Vectorización de Datos para Clasificación con Support Vector Machine

Análisis de Data Drift y Valores Faltantes con Evidently

Creación de Dashboards Interactivos con Grafana

Gerenciar flujos de trabajo con MLOps y Terraform

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Si ya tienes una cuenta,

Recursos

¿Por qué es importante el tracking en un flujo de MLOps?

El seguimiento o tracking es esencial en cada etapa de un flujo de MLOps porque nos asegura la trazabilidad y replicabilidad de los procesos. Desde la preparación de los datos, pasando por la creación del modelo, hasta la disponibilización de este, el seguimiento nos garantiza que estamos utilizando los datos y versiones correctas. Esto nos permite tener un control detallado sobre qué datos y qué versiones han sido empleadas, y cómo han sido transformadas a lo largo de todo el desarrollo y experimentación de nuestros modelos.

¿Cómo influye el seguimiento en la preparación de datos?

Adquisición y limpieza: Se trata de obtener y limpiar datos, garantizando la calidad desde el comienzo.
Ingesta y transformación: Aquí los datos se analizan y transforman para hacer posible su validación con pruebas unitarias, asegurando la integridad y consistencia de los tipos y contenidos.
Feature engineering: Consiste en seleccionar o crear características adecuadas que permiten dividir correctamente los datos en conjuntos de entrenamiento, prueba y validación.

Hacer tracking en estas subetapas del proceso asegura que cada transformación y modificación esté correctamente registrada y versionada. Esto se traduce en confianza al momento de los entrenamientos y pruebas con los modelos, ya que se tiene total claridad sobre qué información se está manejando.

¿Cuál es la relevancia del tracking durante la creación del modelo?

Versionado del modelo y artefactos: Se asignan versiones a cada elemento, dando claridad sobre qué modelo ha sido optimizado y validado para la producción.
Optimización y validación cruzada: Iterar entre diferentes configuraciones garantiza que se tenga el modelo más eficiente y robusto.
Registro de modelos: Asignar estándares y registros a los modelos permite su manipulación y despliegue en diferentes entornos.

Establecer un buen sistema de tracking en esta etapa significa tener la capacidad de reproducir resultados y medir el rendimiento de distintas versiones del modelo. Facilita también la manipulación eficiente de estos modelos en los repositorios, asegurando que formen parte de los flujos de producción y desarrollo de forma armoniosa.

¿Cómo puede MLflow ayudar en el tracking?

MLflow es una herramienta que potencia el tracking a niveles óptimos. Automatiza y simplifica muchos aspectos cruciales, integrándose fácilmente con otros sistemas conocidos como TensorFlow, PyTorch y Scikit-Learn. MLflow es ventajoso por las siguientes razones:

Despliegue de modelos: Permite gestionar y desplegar modelos en diferentes ambientes con facilidad.
Almacenamiento de metadata: Guarda información esencial que abarca desde requerimientos específicos, hiperparámetros, hasta la versión de código y datos.
Proyecto y experimentación: Facilita empaquetar y replicar el código fuente, garantizando que los experimentos sean replicables y adaptables en cualquier momento.
Registro y estado de modelos: Impulsa la capacidad de asignar estados a los modelos, reconociendo su fase de desarrollo o producción para su manipulación eficaz en flujos de trabajo.

Al utilizar MLflow, los equipos de trabajo pueden coordinar de manera más efectiva. La claridad en la gestión de versiones y la posibilidad de automatizar procesos minimizan errores humanos y mejoran la eficiencia general.

¿Cuáles son las recomendaciones para un efectivo tracking en MLOps?

Automatización de procesos: Centrarse en automatizar el diseño, desarrollo y operaciones maximiza la madurez del flujo y minimiza errores.
Almacenamiento de metadata: Documentar todo lo relacionado con versiones de modelos y datos te ofrece un gran control operativo.
Pruebas exhaustivas: Asegúrate de validar adecuadamente tanto los datos como las transformaciones. Esto asegura que las transformaciones implementadas son correctas y efectivas.
Validación de infraestructura: Ten prevista la capacidad computacional necesaria con anticipación para optimizar tiempos de cómputo y rendimiento. Esto es crucial si se requiere aumentar memoria, procesadores o GPU para ejecutar los modelos de manera eficaz.

El seguimiento es vital para asegurar la calidad y consistencia de los procesos dentro del ámbito de MLOps. Implementar buenas prácticas de tracking facilita la colaboración entre equipos, garantizando resultados precisos y confiables en la industria del Machine Learning.