Tracking de experimentos, selección sistemática de modelos y despliegue como servicio web reproducible.
Un modelo en un notebook no es un modelo en producción. Los modelos ML sin infraestructura son ciencia ficción: experimentos no reproducibles, hiperparámetros que se pierden, métricas que no se comparan sistemáticamente y ninguna forma de servir predicciones a sistemas externos.
MLflow como plataforma central de MLOps: tracking de experimentos (parámetros, métricas, artefactos) sobre un dataset real de más de 1 millón de registros de taxis en NYC. FastAPI para empaquetar el modelo seleccionado como servicio REST con endpoints de predicción, interfaz web y monitoreo de predicciones en MLflow.
Comparar múltiples algoritmos de regresión sobre más de 1 millón de registros de viajes de taxi en N…
Ver proyecto →El modelo XGBoost entrenado en el experimento MLflow necesita ser accesible para predicciones en tie…
Ver proyecto →