Fundamentos de MLOps y tracking de modelos
Implementación de MLOps para Modelos de Machine Learning
Tracking de Modelos de Machine Learning con MLflow Local
Seguimiento local de experimentos con MLflow usando folder personalizado
Principios y Etapas del MLOps en Machine Learning
Componentes de Infraestructura en MLOps: Control, Integración y Monitorización
Tracking de Experimentos con MLflow y Bucket en SQLite
Tracking de Experimentos de Machine Learning con AWS y MLflow
Tracking del ciclo de vida de modelos de machine learning
Clasificación de Tickets con Procesamiento de Lenguaje Natural
Tracking de Datos y Modelado con MNLflow y Scikit-learn
Tracking de Métricas e Hiperparámetros con Validación Cruzada
Tracking de Modelos y Métricas con MLflow y CycleLearn
Optimización de Hiperparámetros en Modelos de Machine Learning
Creación y gestión de experimentos con MLflow y Scikit-Learn
Promoción y Gestión de Modelos en Azure con MLflow
Validación de Modelos de Machine Learning con MLflow y SciPy
Tracking y Trazabilidad en MLOps con MLflow
Orquestación de pipelines de machine learning
Creación de tareas en Prefect para flujos de Machine Learning
Creación de Flujos de Trabajo con Prefect para Machine Learning
Pipeline de Machine Learning para Clasificación de Tickets
Pipeline de Procesamiento y Entrenamiento de Modelos de Datos
Ejecución de Flujos de Trabajo con Prefect: Conceptos y Prácticas
Orquestación de Flujos Flexibles con Prefect y Python
Despliegue de modelo de machine learning
Despliegue de Aplicaciones con Docker y FAS API en AWS
Creación de Aplicación con PaaS API, Docker y Grafana
Preprocesamiento y Predicción de Texto en Modelos de Machine Learning
Configuración de Base de Datos en SQLModel y Docker Compose
Despliegue Local y en AWS de Aplicaciones con Docker y Postman
Implementación de Modelos en Entornos Productivos con AWS y Docker
Autoescalado y Entrega Continua de Modelos en Producción
Monitoreo de modelo de machine learning en producción
Monitoreo de Modelos en Producción: Estrategias y Métricas Clave
Monitoreo de Modelos en Producción: Calidad de Datos y Data Drift
Modelo de Clasificación con Support Vector Classifier
Análisis de Drift y Valores Faltantes con Evidently
Creación de Dashboards y Visualizaciones en Grafana para Machine Learning
Mejora de Procesos MLOps e Infraestructura Escalable
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
Ejecución de Flujos de Trabajo con Prefect: Conceptos y Prácticas
21/35¿Cómo ejecutar un flujo con Prefect?
Ejecutar un flujo con Prefect puede ser una experiencia enriquecedora, especialmente después de diseñar e implementar diversas tasks. Ahora, el siguiente paso es poner en marcha este flujo. Antes de proceder, ten en cuenta dos aspectos fundamentales:
- Activar el entorno predefinido: Asegúrate de que tu entorno de trabajo esté activo.
- Inicializar el servidor de Prefect: Si aún no lo has hecho, inicia el servidor en otra terminal para tener todo preparado.
Una vez asegurados estos dos puntos, navega al directorio raíz del proyecto donde se encuentra tu flujo. A continuación, ejecuta el módulo que contiene tu flujo con el siguiente comando en tu terminal:
python orchestration/nombre_modulo.py
Es probable que la primera tarea tarde algunos minutos, dado que se están procesando grandes volúmenes de datos. Una vez finalizada, el resto de las tareas se ejecutarán de forma secuencial, aprovechando los datos procesados por la primera tarea.
¿Qué resultados podemos esperar al correr esto?
Una vez ejecutado el flujo, visualizarás en la terminal que cada tarea se ha completado con éxito. Incluso podrás ver métricas como la accuracy en los reportes de entrenamiento. Esto ofrece un panorama completo del rendimiento del flujo. Navegando a la interfaz de Prefect, en la sección MLEplowruns, podrás ver detalles como el tiempo total de ejecución (por ejemplo, 2 minutos con 43 segundos) y los logs de cada tarea.
Las tareas se dividen en:
- Text processing
- Feature extraction
- Entrenamiento del modelo
Además, aunque no lo implementemos ahora, es interesante saber que Prefect permite la integración de subflows, es decir, ejecutar un flujo dentro de otro. Esta funcionalidad es útil si en algún momento lo requieres.
¿Cómo visualizar y entender las relaciones entre tareas?
Una de las ventajas más destacadas de visualización es poder analizar las relaciones entre las tareas que componen tu flujo. Esto se representa de forma gráfica en Prefect, facilitando la comprensión de cómo interactúan y se sincronizan:
- Ejecuciones en serie y en paralelo: Puedes decidir si algunas tareas se ejecutarán una tras otra o simultáneamente. Las tareas independientes, por ejemplo, pueden correr en paralelo.
- Facilidad en la configuración: Puedes ajustar parámetros de instancia, como el tamaño (medium, large, etc.) y seleccionar si utilizarás recursos adicionales como GPUs para trabajos más complejos.
Estos elementos dotan de flexibilidad a los workflows, permitiendo ajustes y personalizaciones según las necesidades específicas del proyecto.
Por último, aunque no se han generado artifacts en este ejemplo, es recomendable explorar esta opción y consultar la documentación para profundizar en la integración y maximizar el potencial de Prefect en futuros proyectos. Con perseverancia y curiosidad, cada flujo que construyas será más sofisticado y eficiente. ¡Sigue aprendiendo e innovando!
Aportes 8
Preguntas 0
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?