○ planned · proyecto
Otorga nivel a: MLOps · Model Evaluation
Usa: Random Forest · Gradient Boosting · Feature Engineering · B Testing · MLOps · Model Evaluation · Confusion Matrix
Anders (VP de Data Science en Kavak) da mejores prácticas para implementar ML con impacto de negocio. La tesis: el valor no está en el algoritmo sino en definir bien el problema, crear un baseline rápido y ponerlo en producción sin romper nada.
Hallazgos clave
- Las oportunidades de ML caen en 3 categorías: personalización, optimización y automatización; se trata de quitar lo repetitivo, no reemplazar trabajos.
- Checklist de factibilidad: ¿puede un humano hacerlo?, ¿es supervisado entrada→salida?, ¿existen los datos? Si un humano no puede, el ML tampoco.
- Hacer ‘shadowing’ (ejecutar el proceso manual/reglas) es indispensable para entender dónde se decide.
- Meter todo en Random Forest como baseline; solo después gradient boosting y hyperparameter tuning.
- Regla de oro en producción: no tocar lo que funciona; endpoint nuevo, redirigir tráfico 50/50 o A/B, y volver si falla.
- Ser ‘paranoico’ con los datos (nulos, categorías no vistas) y explorar errores con la confusion matrix antes de dar por terminado.
Módulos
- Identificar oportunidades — personalización, optimización, automatización (Kavak).
- Evaluar factibilidad — checklist y shadowing.
- Plan de proyecto — umbral mínimo, baseline, KPIs.
- Crear el modelo — competencias tipo Kaggle y función de pérdida.
- Convertir en producto — plantillas, API realtime vs batch.
- MLOps, monitoreo y gobernanza — no tocar producción, alertas, versionado.
Fuente: https://www.youtube.com/watch?v=CBByGQMpfa4 · Transcript local: data/cursos/datapub-ml-mejores-practicas/ml-mejores-practicas.srt
Enlaces
Otorga nivel a: MLOps · Model Evaluation Usa: Random Forest · Gradient Boosting · Feature Engineering · B Testing · MLOps · Model Evaluation · Confusion Matrix