Un flujo de trabajo de MLOps

Este ejercicio se centra en aplicar algunos conceptos de Kubernetes a un flujo de trabajo de MLOps.

El equipo de data science de tu empresa utiliza un algoritmo para detectar valores inusualmente grandes (outliers) en una serie temporal de un dispositivo IoT. Este algoritmo se mejora continuamente, lo que da lugar a cambios frecuentes que acaban en nuevas versiones de una imagen de Docker correspondiente. Tu tarea es ayudarles a poner estos algoritmos en producción, permitiendo al equipo de data science probar el rendimiento individual de las versiones.

Se ha preparado lo siguiente:

• Los datos reales para ejecutar el algoritmo de detección (data.csv), que se copiarán en una imagen de Docker
• Dos versiones diferentes del algoritmo de detección de outliers (detect_outliers_*.py)
• Dos Dockerfiles para crear dos imágenes que contengan estas versiones (Dockerfile.outlier_detection_*)
• Un script de bash para preparar y subir las imágenes (01_images.sh)
• Hay disponible un Manifiesto de Kubernetes llamado 02_pod_outlier-detection.yml, que usarás para desplegar los algoritmos de detección de outliers.