Módulo 3: MLOps Engineering
📦 Módulo 3: MLOps Engineering
Sección titulada «📦 Módulo 3: MLOps Engineering»Duración estimada: 6-8 semanas
🎯 Objetivos de Aprendizaje
Sección titulada «🎯 Objetivos de Aprendizaje»Al finalizar este módulo, serás capaz de:
- Diseñar pipelines de MLOps escalables con orquestadores modernos
- Implementar el ciclo completo de vida de modelos con MLflow
- Detectar y mitigar data/model drift en producción
- Construir CI/CD para ML con validación automatizada
- Monitorizar modelos en producción con métricas de negocio
- Optimizar costes de infraestructura en plataformas cloud
📋 Contenido
Sección titulada «📋 Contenido»- Dagster: Assets, Sensors, Schedules
- Gestión de recursos y configuración
- Lab: Pipeline de Feature Engineering
- Herramientas: Dagster, Asset Materialization, Partition Keys
- MLflow: Tracking, Registry, Projects, Models
- Model versioning y staging (Staging/Production/Archived)
- Lab: Training Pipeline con MLflow
- Herramientas: MLflow Tracking Server, MLflow UI, Model Registry
- Data drift: PSI, KS Test, Wasserstein Distance
- Model drift: Accuracy decay, calibration drift
- Lab: Drift Detector con Alertas
- Herramientas: Evidently AI, Alibi Detect, WhyLabs
- GitHub Actions para ML workflows
- Test de modelos: unit, integration, contract tests
- Lab: Pipeline CI/CD completo
- Herramientas: GitHub Actions, pytest, Great Expectations, DVC
- Métricas de ML: feature distribution, prediction distribution
- Prometheus + Grafana para modelos
- Lab: Dashboard de Observabilidad
- Herramientas: Prometheus, Grafana, OpenTelemetry
- Spot instances, autoscaling, batch inference
- Model compression: quantization, pruning, distillation
- Lab: Reducir Costes 50%
- Herramientas: AWS Cost Explorer, Azure Cost Management, GCP Billing
🎓 Proyectos Prácticos
Sección titulada «🎓 Proyectos Prácticos»- Pipeline MLOps End-to-End: Desde data ingestion hasta serving
- Sistema de Drift Detection: Alertas automáticas y retraining
- Dashboard de Monitorización: Métricas de negocio en tiempo real