El ciclo de vida del desarrollo de IA/ML
De los datos crudos a un modelo monitoreado en producción: el pipeline de ML, las opciones de despliegue, las prácticas de MLOps y las métricas que demuestran que un modelo funciona.
Un modelo que funciona en un notebook todavía no le sirve a nadie. Este tema recorre el camino completo que lo convierte en un sistema del que dependen usuarios reales: reunir y preparar los datos, entrenar y evaluar, decidir de dónde sale el modelo y cómo se sirve, y después vigilarlo para que no se degrade en silencio. Es la tercera parte del dominio de fundamentos y cierra el vocabulario que el resto del examen da por sabido.
Qué cubre este tema
- Las etapas del pipeline de ML en orden, con la distinción que más se confunde: EDA entiende, el preprocesamiento limpia y la ingeniería de características crea
- Las tres fuentes de un modelo (preentrenado tal cual, personalizado o entrenado desde cero) y las dos formas de servirlo (API administrada o autoalojada)
- Las cuatro opciones de inferencia de SageMaker, tiempo real, serverless, asíncrona y batch transform, y qué forma de carga de trabajo pide cada una
- El mapa de etapa a servicio en AWS: S3, Ground Truth, Data Wrangler, Feature Store, JumpStart, Autopilot, Model Registry, Model Monitor, Clarify y Pipelines
- Los fundamentos de MLOps: experimentación registrada, procesos reproducibles, sistemas escalables, deuda técnica, monitoreo y reentrenamiento
- Las métricas de modelo (matriz de confusión, exactitud, precisión, recall, F1, AUC, RMSE, MAE) y las de negocio (ROI, costo por usuario, satisfacción del cliente)
Por qué es importante
El examen rara vez pregunta una definición de este tema de forma aislada. Te describe una situación, un modelo que se degradó después de tres meses, un equipo que no puede reproducir su mejor resultado, un banco que debe calificar 20 millones de cuentas cada noche, y espera que ubiques la etapa, elijas el servicio o nombres la métrica correcta. Esas preguntas se vuelven fáciles cuando llevas el pipeline en la cabeza como un ciclo y no como una línea.
El mismo criterio se traslada al trabajo real. Los proyectos de ML fracasan mucho más seguido por datos mal preparados, ausencia de monitoreo o una métrica mal elegida que por el algoritmo. Entender el ciclo de vida completo es lo que separa un experimento interesante de un sistema que sigue funcionando el año que viene.