Modelos en producción: qué es MLOps
Contenido del curso
Kesmish Daniel Ramirez Duarte
Guillermo Alomia Monjaraz
Jackssuriss Tatiana Herrera Florez
Aaron Mainero
Gabriel Obregón
Jackssuriss Tatiana Herrera Florez
IVAN CARAPIA BARAJAS
Esteban Bastías B.
yina nuñez
camilo pava
Eduardo Montenegro
Betty Rossana Jimenez Cedeño
Claudia Cecilia Ruiz Duque
Carlos Andres Prieto Garavito
Mauricio Antonio Rios David
Gilberto Barrón López
Hugo Ocampo
JHON JAIRO GIL MAYA
Nancy Alvarez Gómez
Ana Luisa Langle Gómez
Frida, que curso tan espectacular. Aprendí un montón 🔥
que buen curso Frida
Los modelos de machine learning se pueden desplegar y operar en varios entornos de producción, entre los que destacan:
En tiempo real: Los modelos procesan datos y generan predicciones en el momento, ideal para aplicaciones como detección de fraudes o recomendaciones.
Batch: Los modelos procesan datos en bloques a intervalos programados, útil para análisis de grandes volúmenes de datos.
Nube: Plataformas como AWS o Google Cloud ofrecen servicios para desplegar y gestionar modelos de machine learning de manera escalable.
On-premise: Implementaciones locales que permiten mayor control sobre los datos y el modelo.
Es fundamental asegurar el monitoreo, actualización y mantenimiento del modelo una vez en producción, siguiendo prácticas de MLOps.
🧠✨MODELOS EN PRODUCCIÓN Y MLOps
🚀 1. El valor real del modelo: la producción
💬 Un modelo solo tiene valor cuando se usa.
🔹 Transforma análisis en decisiones:
🕒 Modos de operación:
⚠️ Recuerda:
⚙️ 2. Despliegue y operación
🧰 Desplegar = Integrar el modelo en los sistemas del negocio.
👁️🗨️ Debe poder:
🎯 El objetivo: que el modelo trabaje con fiabilidad dentro del flujo operativo.
💡 3. Liderar con datos
🧭 Ser líder con datos = pensar estratégicamente con evidencia.
🎓 Desarrollas habilidades como:
🤖 4. MLOps: la base de una operación confiable
🔍 Qué es: Prácticas (como DevOps) para desplegar, monitorear y mantener modelos en producción.
🎯 Objetivos de MLOps:
🧠 Mentalidad: más que un equipo, es una cultura operativa.
⚠️ 5. Riesgos más comunes
❗ 1. Entrenar con datos viejos → el modelo falla ante cambios.
❗ 2. Falsos positivos → mala experiencia del cliente.
❗ 3. Falta de monitoreo → fallas invisibles.
❗ 4. Sin plan B → no hay reversa rápida.
🔐 6. Buenas prácticas para operar con confianza
🧭 Claves para la estabilidad:
🏦 7. Ejemplo: Modelo de fraude en banca
💬 Un banco lanza un modelo de deep learning para detectar fraude. Sin operación adecuada podrían aparecer:
🎯 Lección: La tecnología funciona, pero el impacto depende de cómo se opera.
🧾 8. Checklist operativo esencial
🧩 Antes de desplegar, asegúrate de:
🧬 9. Cuándo usar Deep Learning (y cuándo no)
🧠 Úsalo cuando necesitas:
⚖️ Evítalo cuando:
💡 La inteligencia también está en no complicarse innecesariamente.
Las métricas más utilizadas para monitorear modelos de machine learning incluyen:
Estas métricas son clave para asegurar que el modelo funcione adecuadamente en producción.
Según la guía de la Clase 21, estos son los 4 puntos críticos para asegurar que el modelo no falle en la vida real:
1. Tres Métricas Clave de Monitoreo
No basta con que el modelo funcione hoy, debemos vigilar su salud constantemente:
• A. Recall (Sensibilidad) Real:
◦ Qué mide: De los accidentes que realmente ocurrieron esta semana en la planta, ¿cuántos predijo el modelo correctamente?
◦ Por qué: En seguridad, es vital no dejar pasar ningún riesgo (preferimos una falsa alarma a un accidente no detectado).
• B. Data Drift (Desviación de Datos):
◦ Qué mide: Si las condiciones de la planta han cambiado drásticamente.
◦ Ejemplo Avícola: Si de repente aumentamos la velocidad de la línea de 50 a 80 pollos por minuto, los datos de entrada cambian y el modelo antiguo ya no sirve.
• C. Tasa de Intervención:
◦ Qué mide: Cuántas veces el Supervisor de Planta tuvo que detener la línea o rotar personal basándose en la alerta del modelo. Si el modelo alerta 100 veces y el supervisor las ignora todas, el modelo no es útil.
2. Frecuencia de Actualización
• Monitoreo de Salud: Semanal. Revisar si el modelo sigue acertando.
• Re-entrenamiento (Retraining): Trimestral. Alimentar el modelo con los datos de los últimos 3 meses (nuevos empleados, nuevas máquinas, temporada de alta producción) para que "aprenda" los nuevos patrones de riesgo.
3. Plan de Contingencia: ¿Qué hacer si detectas errores?
Si notamos que el modelo empieza a fallar (ej. dice que el riesgo es bajo, pero ocurre un accidente grave):
1. Apagar la predicción automática (Kill Switch): Dejar de enviar alertas al celular del supervisor para no generar confianza falsa.
2. Activar Protocolo Manual: Volver inmediatamente a las rondas de seguridad física cada hora por parte del Coordinador SST (lo que hacíamos antes de tener IA).
3. Auditoría de Datos: Revisar si los sensores de la planta (temperatura, velocidad) están enviando basura o si se desconectaron.
4. Áreas que deben ser notificadas
Para que este sistema funcione, la comunicación debe fluir según la estructura RACI que definimos al inicio:
• Gerencia de Planta (Responsible): Se le notifica si el modelo deja de funcionar, ya que esto afecta el presupuesto de seguridad.
• Coordinador SST (Accountable): Es el usuario principal; debe saber si puede confiar en la herramienta esa mañana.
• Mantenimiento: Si el modelo falla por culpa de sensores de línea defectuosos.
Muy buen curso. Se le nota la experiencia técnica y práctica.
De los mejores cursos que tiene Platzi.
muy buena explicacion durante todo el curso
Métricas clave: precisión del modelo; drift de datos; latencia del servicio.
Frecuencia: revisión semanal; reentrenamiento cada 30 días; urgente si hay drift alto.
Si hay errores: confirmar, clasificar severidad, activar fallback, documentar y corregir.
A quién avisar: Producto, Data/ML, Ingeniería/DevOps, Atención al cliente, Calidad.
Excelente curso, muy bien estructurado, facilita el aprendizaje, muchas gracias Frida.
En la clase 11 se habla de MLOps, pero no se explica hasta esta clase. Una nota en el resumen de esa clase complementaría muy bien el contenido.
Magnifico curso. Muchas gracias Frida 🙌
excelente curso!!
Gracias Frida ha sido ultra fácil comprender este curso.
Explicas muy bien Frida.
