Riesgos de negocio potenciales en MLOps

El uso productivo de aplicaciones de MLOps no está exento de riesgos. Estos riesgos pueden ser de negocio, de ingeniería, de data science o modelado, o de gobernanza.

Este ejercicio forma parte del curso

MLOps para negocios

Ejercicio interactivo práctico

Pon en práctica la teoría con uno de nuestros ejercicios interactivos

Empezar ejercicio

Este ejercicio forma parte del curso

MLOps para negocios

PrincipianteNivel de habilidad

4.8+

Comienza el curso gratis

En este primer capítulo se presentará MLOps y por qué es necesario para las empresas que quieren diseñar, desarrollar y operar múltiples aplicaciones de machine learning de forma simultánea. Conocerás los elementos principales de MLOps, como el escalado y la automatización, sus beneficios y por qué MLOps sigue siendo un reto. También explorarás qué hace falta para iniciar el camino de MLOps tanto desde la perspectiva tecnológica como de gestión.

Exercise 1: ¿Qué es MLOps?Exercise 2: MLOps: un conjunto de prácticas para...Exercise 3: ¿Cuáles son características de MLOps?Exercise 4: Argumentos de negocio para MLOps Exercise 5: Ámbitos relevantes de MLOps Exercise 6: Cómo invertir en MLOps Exercise 7: Razones para invertir en MLOps Exercise 8: Sentar las bases de MLOps Exercise 9: Miembros del equipo de MLOps Exercise 10: Requisitos previos de MLOps Exercise 11: Elementos de MLOps

En el segundo capítulo, aprenderás todo el ciclo de vida de MLOps: desde el diseño y el desarrollo hasta el despliegue y las operaciones. Verás por qué la monitorización es esencial para aplicaciones productivas de machine learning y por qué debemos reentrenar los modelos de machine learning de forma regular.

Exercise 1: MLOps de principio a fin Exercise 2: Diez pasos importantes del ciclo de vida de MLOps Exercise 3: Las fases principales de una aplicación de MLOps Exercise 4: Tareas clave en las principales etapas de MLOps Exercise 5: La fase de diseño Exercise 6: Posponer tareas de la fase de diseño Exercise 7: Plano para el éxito: diseña tu proyecto de MLOps Exercise 8: La fase de desarrollo Exercise 9: Tareas de desarrollo Exercise 10: Roles en la fase de desarrollo Exercise 11: Supervisión, reentrenamiento y sustitución de aplicaciones de MLOps Exercise 12: Características del ciclo de vida de MLOps Exercise 13: Responsabilidades individuales al desarrollar un caso de uso de MLOps Exercise 14: El ciclo de vida de MLOps

En el tercer capítulo, pasarás de la teoría a la práctica y descubrirás los principales desafíos y riesgos de desplegar modelos de machine learning. También aprenderás cómo operan con éxito los equipos de MLOps y qué puede hacer la dirección para favorecer un escalado exitoso del machine learning.

Exercise 1: Retos empresariales y riesgos relacionados con MLOps Exercise 2: ¿Qué hace que MLOps sea tan desafiante?Exercise 3: Software tradicional vs. MLOps Exercise 4: Riesgos de negocio potenciales en MLOps

Ejercicio actual

Exercise 5: Cómo operan con éxito los equipos de MLOps Exercise 6: Equipos al estilo DevOps Exercise 7: Retos para implantar MLOps Exercise 8: El estado actual de MLOps Exercise 9: Una afirmación falsa sobre MLOps Exercise 10: Razones por las que MLOps es un reto

El capítulo final mostrará cómo impulsar con éxito el inicio del camino de MLOps en tu empresa, comentando buenas prácticas y errores que debes evitar. Para terminar, examinarás los diferentes niveles de madurez de MLOps y cerrarás el curso con un caso real sobre el diseño, desarrollo y operación de una aplicación de machine learning para procesos críticos de producción.

Exercise 1: Cómo pueden las empresas estar totalmente preparadas para MLOps Exercise 2: KPIs de MLOps válidos Exercise 3: Ordena la madurez del despliegue Exercise 4: Madurez de MLOps Exercise 5: Buenas prácticas y errores comunes en MLOps Exercise 6: ¿Qué necesitamos probar?Exercise 7: (No) es una buena práctica Exercise 8: Caso práctico de MLOps: cómo aumentar los beneficios con MLOps Exercise 9: Puntos clave del estudio de caso Exercise 10: Cierre