Volver al archivo de proyectos
MLOps
Caso de estudioMLflow Model Lifecycle
Un recorrido compacto desde el experimento registrado hasta el modelo versionado y la predicción.
Contexto: Proyecto de aprendizaje sobre MLOps y ciclo de vida de modelos
Resumen
El proyecto sigue un modelo más allá del entrenamiento: registra parámetros y experimentos, incorpora ejecuciones seleccionadas al registro y prepara versiones para inferencia local o serving.
De una ejecución de entrenamiento a un modelo servido
Experimento
Parámetros, métricas y artefactos quedan registrados
Comparación
Las ejecuciones apoyan la selección del modelo
Registro
El artefacto elegido se versiona y promociona
Inferencia
Las aplicaciones cargan el modelo registrado
Serving
MLflow expone un endpoint de predicción
Qué gestiona el sistema
Reúne seguimiento, registro, promoción, inferencia y serving en un flujo compacto.
Tecnología
Stack
PythonMLflowscikit-learnRandom ForestSQLiteModel registryExperiment trackingModel serving
Áreas
MLOpsMachine learningCiclo de vida de modelos
Conclusiones
- Las decisiones de modelo permanecen trazables mediante parámetros y artefactos.
- El registro y la promoción separan experimentos de versiones aprobadas.
- La estructura crea una base clara para incorporar monitorización y despliegue.
Experimentoregistrado
Registroversionado
Aliaschampion
Endpointpreparado