Uno de los objetivos de la Ingeniería de Datos es dar soporte a la puesta en producción y el mantenimiento en el tiempo de modelos de IA que extraigan valor a los datos de una empresa y ayuden al negocio. El Ingeniero de Datos participa en esta labor allí donde el Científico de Datos no llega: antes de que se elabore un modelo predictivo, diseñando los modelos de almacenamiento de datos y los procesos de recolección adecuados, como después de finalizar la creación, cuando llega el momento de desplegarlo en un entorno corporativo, acoplarlo al resto de sistemas de la compañía, y monitorizar su funcionamiento como software productivo. Por ello, es necesario que un ingeniero de datos conozca las prácticas de MLOps (Machine Learning Operations) y asimile el ciclo de vida completo de un modelo, incluyendo el versionado, despliegue y monitorización del modelo y su entrega continua de valor en producción.
En este módulo, se presentan los fundamentos de la analítica predictiva, las métricas de rendimiento de un modelo, las estrategias para convertir un modelo creado por un Data Scientist en un componente software, y el ciclo de vida de un modelo, que incluyen su versionado, despliegue, monitorización y reentrenamiento una vez integrado en el ecosistema empresarial. El módulo se plantea desde un punto de vista eminentemente práctico.
Contenidos:
- Definición y tipos de problemas en Machine Learning
- Métricas de performance de un modelo
- Introducción a MLOps y ciclo de vida de un modelo
- Monitorización de modelos y detección de drift en producción
- Versionado de modelos y agentes con MLflow
- Orquestación y despliegue con Airflow y microservicios
- Despliegue de modelos de Agentes, y uso de MCPs
