Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
OPERACIONES EN APRENDIZAJE AUTOMÁTICO (MLOPS) :...
Search
Abraham Zamudio
May 22, 2025
0
9
OPERACIONES EN APRENDIZAJE AUTOMÁTICO (MLOPS) : EPC2025
Abraham Zamudio
May 22, 2025
Tweet
Share
More Decks by Abraham Zamudio
See All by Abraham Zamudio
El lenguaje de programación Julia
robintux
0
2
Silabo del curso PIT - Análisis exploratorio de datos con R
robintux
0
9
PIT - Introducción a la programación con Julia
robintux
0
11
Calculo_Estocastico_Charla
robintux
0
13
Módulo 1: Introducción a los Datos Geoespaciales
robintux
0
22
Módulo 2: Estructuras de Datos en GeoPandas
robintux
0
22
PROGRAMACION ESTADISTICA CON R (Clase2)
robintux
0
16
ANALISIS DE DATOS CON R
robintux
0
7
PIT - Estadística Inferencial con Python
robintux
0
14
Featured
See All Featured
Designing Dashboards & Data Visualisations in Web Apps
destraynor
231
53k
The Art of Programming - Codeland 2020
erikaheidi
54
13k
Making the Leap to Tech Lead
cromwellryan
134
9.5k
個人開発の失敗を避けるイケてる考え方 / tips for indie hackers
panda_program
110
19k
Building Flexible Design Systems
yeseniaperezcruz
328
39k
XXLCSS - How to scale CSS and keep your sanity
sugarenia
248
1.3M
Designing for Performance
lara
610
69k
The Cult of Friendly URLs
andyhume
79
6.5k
Design and Strategy: How to Deal with People Who Don’t "Get" Design
morganepeng
130
19k
Chrome DevTools: State of the Union 2024 - Debugging React & Beyond
addyosmani
7
790
Visualizing Your Data: Incorporating Mongo into Loggly Infrastructure
mongodb
47
9.6k
Rebuilding a faster, lazier Slack
samanthasiow
83
9.1k
Transcript
Abraham Zamudio OPERACIONES EN APRENDIZAJE AUTOMÁTICO (MLOPS)
¿Qué es MLOps? MLOps = Machine Learning + DevOps +
Ingeniería de datos. Una práctica para poner modelos en producción de forma confiable. https://www.linkedin.com/in/abraham-zamudio/
¿Por qué es importante? • Sin MLOps, los modelos se
quedan en notebooks. Con MLOps, los llevamos al mundo real y los mantenemos funcionando. https://www.linkedin.com/in/abraham-zamudio/
Componentes principales • 1. Desarrollo del modelo • 2. Integración
continua • 3. Despliegue continuo • 4. Monitoreo • 5. Gobierno del modelo https://www.linkedin.com/in/abraham-zamudio/
Reproducibilidad ¡Si no puedes repetirlo, no sirve! MLOps asegura que
cualquier experimento pueda replicarse exactamente. Factores que influyen en la falta de reproducibilidad https://www.linkedin.com/in/abraham-zamudio/
Auditabilidad • ¿Quién entrenó este modelo? • ¿Con qué datos?
MLOps mantiene trazabilidad de todo el ciclo de vida. https://www.linkedin.com/in/abraham-zamudio/
Mejores prácticas • Versionado de datos y modelos • Pipelines
automatizados • Pruebas de modelos • Revisión de código https://www.linkedin.com/in/abraham-zamudio/
CI/CD en MLOps • No es solo código: también datos,
características y modelos. CI/CD se extiende al ciclo completo de ML. https://www.linkedin.com/in/abraham-zamudio/
Infraestructura como código • Con herramientas como Terraform y Kubernetes,
automatizamos la infraestructura para ML como si fuera software. https://www.linkedin.com/in/abraham-zamudio/
Monitoreo en producción ¡Cuidado con la deriva de datos! MLOps
permite detectar problemas antes de que los modelos se vuelvan inútiles. https://www.linkedin.com/in/abraham-zamudio/
Comparación: Ingeniería de Software vs MLOps • SW tradicional →
Código determinista • MLOps → Código + datos + modelos + experimentos = Mayor complejidad https://www.linkedin.com/in/abraham-zamudio/
Retos únicos del ML • 1. Variabilidad de datos •
2. Entrenamiento costoso • 3. Ambigüedad en resultados • 4. Sesgo y ética https://www.linkedin.com/in/abraham-zamudio/
Estrategias de implementación • Empieza pequeño: un pipeline básico. •
Escala con herramientas como MLflow, Kubeflow, TFX o SageMaker. https://www.linkedin.com/in/abraham-zamudio/
Herramientas comunes https://www.linkedin.com/in/abraham-zamudio/
Roles en MLOps Todos colaboran para que funcione. https://www.linkedin.com/in/abraham-zamudio/
Casos de uso reales Desde recomendaciones hasta detección de fraudes,
MLOps ayuda a entregar valor real y medible. https://www.linkedin.com/in/abraham-zamudio/
Ética y gobernanza La auditabilidad ayuda a detectar sesgos, aplicar
regulaciones y proteger al usuario. https://www.linkedin.com/in/abraham-zamudio/
Métricas clave • Latencia del modelo • Accuracy real •
Deriva de datos • Tiempo de despliegue • Costo operacional https://www.linkedin.com/in/abraham-zamudio/
MLOps ≠ Opcional Es la única forma de garantizar que
los modelos escalen, evolucionen y sigan siendo útiles. https://www.linkedin.com/in/abraham-zamudio/