Metadatos en MLOps

En el vídeo anterior, aprendiste la definición de metadatos: la información sobre la ejecución de los distintos componentes de un pipeline de ML.

En este ejercicio, elegirás la opción que contiene ejemplos de metadatos.

Se presenta un pipeline de Machine Learning. El pipeline tiene los siguientes pasos: extracción de datos, validación de datos, entrenamiento del modelo, evaluación del modelo y validación del modelo.

Este ejercicio forma parte del curso

MLOps totalmente automatizado

Ver curso

Ejercicio interactivo práctico

Pon en práctica la teoría con uno de nuestros ejercicios interactivos

Empezar ejercicio

Este ejercicio forma parte del curso

MLOps totalmente automatizado

IntermedioNivel de habilidad

4.8+

259 reviews

Comienza el curso gratis

En este primer capítulo, motivamos el uso de MLOps en un entorno industrial. Aprenderás por qué es clave para generar valor en las empresas. También repasarás las etapas de ML, centrándote en cómo MLOps las potencia. Al final del capítulo, explorarás una arquitectura de referencia para un sistema de MLOps totalmente automatizado. Usarás esta arquitectura para conocer los componentes importantes de cualquier sistema de MLOps y como punto de partida para el resto del curso.

Exercise 1: Introducción a MLOps totalmente automatizado Exercise 2: La deuda técnica oculta hay que pagarla Exercise 3: La deuda técnica oculta en ML es diferente Exercise 4: Fases del ciclo de vida de MLOps Exercise 5: MLOps totalmente automatizado Exercise 6: Automatizar o no automatizar...Exercise 7: Preparar para escalar Exercise 8: Arquitectura de referencia: MLOps totalmente automatizado Exercise 9: Arquitecturas de referencia en TI y MLOps Exercise 10: Componentes de la arquitectura de MLOps

En este capítulo, continuarás explorando los componentes críticos que componen un sistema de MLOps totalmente automatizado. Primero, revisarás la importancia de la orquestación en MLOps y cómo ayuda a garantizar la eficiencia y la escalabilidad de los pipelines de ML. Después, analizarás las distintas estrategias de despliegue en MLOps y aprenderás a elegir la adecuada para tu sistema. Por último, aprenderás sobre CI/CD/CT/CM y cómo complementa la orquestación y las buenas prácticas para lograr una automatización completa en sistemas de MLOps. Con estas lecciones, estarás mejor preparado para crear un sistema de MLOps totalmente automatizado que sea eficiente, preciso y fiable.

Exercise 1: Seguimiento automatizado de experimentos Exercise 2: ¿Qué deberíamos registrar?Exercise 3: El gran debate sobre el seguimiento de experimentos: ¿de qué lado estás?Exercise 4: ¿Qué estamos registrando aquí?Exercise 5: El registro de modelos Exercise 6: ¡No lances el modelo por encima de la valla!Exercise 7: El ciclo de vida del modelo de ML Exercise 8: ¡Esto es trabajo para el model registry!Exercise 9: El feature store en una arquitectura de MLOps automatizada Exercise 10: Una ventaja de usar un feature store Exercise 11: Los roles del feature store Exercise 12: El almacén de metadatos Exercise 13: Metadatos en MLOps

Ejercicio actual

Exercise 14: Reentrenamiento de modelos con el almacén de metadatos Exercise 15: El papel del almacén de metadatos en la monitorización en MLOps

En este capítulo, te adentrarás en el mundo de la automatización y aprenderás a diseñar sistemas de ML más resilientes y eficientes. Empezarás entendiendo los fundamentos de la automatización en sistemas de MLOps y, a continuación, descubrirás el poder de los patrones de diseño y los mecanismos a prueba de fallos. También aprenderás a implementar pruebas automatizadas en sistemas de MLOps y a usar el ajuste de hiperparámetros para optimizar tus modelos y flujos de trabajo. Al finalizar, contarás con las habilidades y el conocimiento necesarios para crear y gestionar sistemas de MLOps totalmente automatizados que sean a la vez eficientes y fiables.

Exercise 1: Introducción a la automatización total y las mejores prácticas en MLOps Exercise 2: Automatización en workflows de MLOps Exercise 3: Grados de automatización en MLOps Exercise 4: El patrón de automatización, monitorización y respuesta a incidentes Exercise 5: ¿Esto es un patrón de diseño?Exercise 6: ¿Reentrenar, revertir o imputar?Exercise 7: Pruebas automatizadas en MLOps Exercise 8: Basura entra - basura sale... ¡Aplica pruebas de datos!Exercise 9: Pruebas: tradicional vs. MLOps Exercise 10: Pruebas: datos vs. modelo vs. canalización Exercise 11: Ajuste automatizado de hiperparámetros Exercise 12: ¿Parámetro o hiperparámetro?Exercise 13: El papel de la optimización de hiperparámetros en MLOps Exercise 14: Automatizar el ajuste de hiperparámetros

En este capítulo final, profundizarás en los componentes clave de una arquitectura de MLOps automatizada. Desde comprender el seguimiento automatizado de experimentos y el registro de modelos hasta explorar el feature store y el papel del metadata store, este capítulo está diseñado para darte una visión completa de las particularidades de un sistema de MLOps totalmente automatizado. Tanto si ya tienes experiencia en ML como si estás empezando, este capítulo te proporcionará los conocimientos y habilidades necesarios para diseñar flujos de trabajo de MLOps automatizados.

Exercise 1: Orquestación en MLOps Exercise 2: ¿Por qué deberíamos modularizar?Exercise 3: Orquestación: desarrollo vs. producción Exercise 4: DAG en flujos de trabajo de MLOps Exercise 5: Aspectos de orquestación en MLOps Exercise 6: Automatización en las estrategias de despliegue MLOps Exercise 7: ¿Qué tipo de despliegue es este?Exercise 8: ¿Es esta la estrategia de despliegue adecuada?Exercise 9: Mantener cero tiempo de inactividad con un despliegue blue/green Exercise 10: CI/CD/CT/CM en MLOps totalmente automatizado Exercise 11: ¿Cómo contribuyen CI/CD/CT/CM a MLOps?Exercise 12: Monitorización continua y entrenamiento continuo Exercise 13: CI/CD/CT/CM en MLOps Exercise 14: Resumen