○ planned · proyecto
Otorga nivel a: MLOps · Feature Store
Usa: MLOps · CD · Feature Store · Model Deployment · Model Evaluation · Docker · Kubernetes
Oscar narra cómo evoluciona la infraestructura de machine learning dentro de una startup que crece, partiendo de un flujo artesanal de un solo data scientist hasta una plataforma MLOps completa. Su tesis central es que los componentes de una MLOps ya existen de forma implícita y manual en las infraestructuras simples, y que el reto es catalogarlos, priorizarlos y escalarlos de forma independiente y desacoplada.
Hallazgos clave
- Una infraestructura MLOps “completa” no es más que catalogar componentes que ya existen de forma manual (Model Registry = GitHub, inferencia = una VM, monitoreo = un analista) para luego poder desconectarlos y sustituirlos por alternativas sin romper el sistema.
- Las interfaces de comunicación de cada componente son lo que permite escalar: mientras algo se pueda conectar a GitHub y a una base de datos, se puede cambiar una VM batch por una API con FastAPI o una Lambda Function sin tocar el resto.
- Los equipos de personalización y de riesgo exigen cosas distintas de la plataforma: personalización prioriza experimentación rápida y métricas de interacción (conversion rate, click-through), mientras riesgo prioriza robustez, monitoreo de drift e interpretabilidad.
- Las dos señales para detectar que ya se necesita MLOps real son el crecimiento de los datos y la proliferación de equipos/alarmas que duplican trabajo y rompen la comunicación; hay que sobrevivir optimizando primero y diseñar después.
- MLflow es especialmente recomendable porque sus cuatro componentes son independientes: puedes usar solo el model registry sin casarte con toda la suite, a diferencia de la mayoría de plataformas.
Módulos
- El ambiente startup y el flujo artesanal — Del data scientist local al modelo serializado: por qué funciona rápido y dónde aparecen las malas prácticas.
- Catálogo de componentes MLOps — Extracción de datos, training, inferencia, monitoreo, CI/CD, Model Registry, Artifact Store y Feature Store, y sus interfaces de comunicación.
- Los dos equipos y sus exigencias — Personalización (embeddings, deep learning, cold start, echo chambers) frente a riesgo (drift, interpretabilidad, métricas como PSI/PCI).
- Tecnologías open source vs PaaS — Airflow, Metaflow/Prefect/Flyte, MLflow, Feast, Kubernetes y Jenkins/GitHub Actions contra Databricks, SageMaker, H2O y Vertex.
- El Feature Store y los modos online/offline — Cómo los Data Engineers, ML Engineers y Data Scientists comparten features vía warehouse, Kafka y APIs/microservicios.
- Escalando con equipos y multipaís — Asignación de responsables por componente, priorización de mejoras y las diferencias de diseñar para uno o varios países.
Fuente: https://www.youtube.com/watch?v=Ohkm2Auc3cQ · Transcript local: data/cursos/datapub-mlops-startup-a-unicornio/mlops-startup-a-unicornio.srt
Enlaces
Otorga nivel a: MLOps · Feature Store Usa: MLOps · CD · Feature Store · Model Deployment · Model Evaluation · Docker · Kubernetes