DiplomadoInteligencia artificial y datos
Puesta en producción de modelos de IA
El diplomado Puesta en producción de modelos de IA proporciona al estudiante las prácticas de MLOps y LLMOps para llevar modelos a producción de forma confiable: reproducibilidad, pipelines automatizados, despliegue en contenedores, monitoreo de deriva y reentrenamiento, con énfasis en procesos productivos. Le permite que los modelos generen valor sostenido en la operación y no se queden en prototipos.
A quién va dirigido
Ingenieros y analistas con Python y aprendizaje automático básico que participan en proyectos de analítica en operaciones.
Objetivos
✓Comprender el ciclo de vida de un modelo en producción, la brecha entre el cuaderno y el sistema y los roles del equipo.
✓Analizar la deriva de datos y de concepto con Evidently y el desempeño, el costo y la latencia de modelos en operación.
✓Aplicar Git, DVC, MLflow, Prefect o Airflow y GitHub Actions para versionar, orquestar, probar y registrar modelos.
✓Diseñar el despliegue de un modelo como servicio con FastAPI y Docker, en la nube o en el borde de planta, por lotes o en línea.
✓Evaluar la observabilidad de aplicaciones con modelos de lenguaje y definir criterios de alerta y reentrenamiento.
Plan de estudios por sesión
1
Del prototipo al sistema en producciónDel cuaderno al sistema: brecha de producción · Alcance, datos, modelado y despliegue
2
Casos industriales y roles del equipoCasos de producción industrial: calidad y mantenimiento · Roles y responsabilidades
3
Control de versiones de código y datosGit y GitHub · Versionamiento de datos con DVC
4
Experimentos y entornos reproduciblesSeguimiento de experimentos con MLflow · Entornos y dependencias
5
Orquestación y pruebasOrquestación con Prefect o Airflow · Pruebas de datos y de modelos
6
Integración continua y registro de modelosIntegración y entrega continuas con GitHub Actions · Registro de modelos
7
Servicios de inferencia en contenedoresAPI con FastAPI · Contenedores con Docker
8
Estrategias de despliegue e inferenciaDespliegue en la nube y en borde de planta · Inferencia por lotes y en línea
9
Monitoreo de deriva y reentrenamientoDeriva de datos y de concepto con Evidently · Alertas y reentrenamiento
10
Operación de aplicaciones con modelos de lenguajeEvaluación y observabilidad de aplicaciones con modelos de lenguaje · Costos y latencia
11
Modelo y pipeline del proceso productivo del proyectoModelo de un proceso productivo · Pipeline completo
12
Presentación del proyecto final: modelo desplegado con monitoreo de derivaTablero de monitoreo · Demostración
Evaluación
Inicial30%Análisis de un caso de producción industrial con definición de alcance, datos, roles y responsabilidades; repositorio reproducible con Git y DVC.
Intermedio30%Pipeline orquestado con pruebas de datos y de modelo, integración continua en GitHub Actions y registro de modelos en MLflow.
Final40%Proyecto final: modelo de un proceso productivo desplegado como servicio con pipeline automatizado, registro de versiones y tablero de monitoreo de deriva, con demostración.
Proyecto final
Modelo de un proceso productivo desplegado como servicio con pipeline automatizado, registro de versiones y tablero de monitoreo de deriva.