Mejores Prácticas de MLOps

Reglas para llevar modelos del experimento a un servicio de producción confiable.

Cómo Usar Esta Lista

• Las reglas A-B cubren la reproducibilidad y el seguimiento.
• Las reglas C-D rigen el servicio y la inferencia.
• Las reglas E-F cubren la monitorización y las operaciones.

A - Reproducibilidad

• Versionar los datos de entrenamiento con DVC o hash. Reproducir cualquier modelo a partir de la versión del código + datos.
• Fijar las versiones de las bibliotecas en el entorno de entrenamiento. Registrar en la ejecución de MLflow o en la imagen del contenedor.
• Usar scripts de entrenamiento, no notebooks. Los notebooks para exploración; los scripts para pipelines de producción.
• Establecer semillas aleatorias y registrarlas. Experimentos reproducibles entre ejecuciones.
• Guardar el artefacto completo del pipeline. Preprocesamiento + modelo en un objeto serializable.

B - Seguimiento de Experimentos

• Registrar cada ejecución de entrenamiento. Parámetros, métricas, artefactos, versión de datos, commit de git.
• Nombrar las ejecuciones de forma descriptiva. Incluir el tipo de modelo, la versión de los datos y el hiperparámetro clave.
• Comparar ejecuciones antes de seleccionar un modelo. No desplegar la última ejecución por defecto.
• Registrar los mejores modelos en un registro. Flujo de trabajo de promoción de Staging a Producción.
• Vincular la versión del registro a la ejecución de entrenamiento. Linaje completo desde la predicción hasta los datos.

C - Servicio

• Cargar el modelo una vez al inicio. Manejador de ciclo de vida o carga a nivel de módulo; nunca por solicitud.
• Validar las entradas con Pydantic. Comprobaciones de tipo, rango y campos requeridos.
• Devolver la versión del modelo con las predicciones. Trazabilidad para depuración.
• Exponer el endpoint /health. Modelo cargado, dependencias accesibles.
• Escribir pruebas de humo de inferencia. Entrada conocida -> forma de salida esperada y valor aproximado.

D - Calidad de Inferencia

• Emparejar el preprocesamiento de entrenamiento en el servicio. Mismo artefacto de pipeline o módulo de código compartido.
• Forzar el orden de las columnas de características. Campos con nombre, no listas posicionales.
• Registrar metadatos de predicción. Marca de tiempo, versión del modelo, hash de entrada (no PII en bruto).
• Definir presupuestos de latencia. Objetivo p99; perfilar antes de elegir el framework de servicio.
• Planificar el rollback. Mantener la versión anterior del modelo desplegable en <5 minutos.

E - Monitorización

• Guardar la distribución de datos de referencia al desplegar. Línea base para la detección de deriva.
• Monitorizar la deriva de características semanalmente. Prueba KS, PSI o informes de Evidently.
• Rastrear la distribución de predicciones. Cambios repentinos indican problemas de datos upstream.
• Alertar sobre la tasa de errores y la latencia. Misma observabilidad que cualquier servicio de producción.
• Reentrenar ante deriva o degradación de métricas. Disparador automatizado con puerta de aprobación humana.

F - Costo e Infraestructura

• Dimensionar correctamente la computación. CPU para sklearn; GPU solo cuando el entrenamiento/inferencia lo requiera.
• Usar instancias spot para entrenamiento. Punto de control para sobrevivir a la interrupción.
• Calcular el punto de equilibrio entre API y autoalojado. Antes de invertir en infraestructura de GPU.
• Escalar automáticamente las réplicas de inferencia. Escalar a cero para desarrollo; réplicas mínimas para producción.
• Etiquetar los recursos en la nube por proyecto. Atribución de costos y limpieza.

Preguntas Frecuentes

Relacionados

• Conceptos Básicos de MLOps
• Seguimiento de Experimentos
• Servicio con FastAPI
• Monitorización y Deriva
• Mejores Prácticas de Machine Learning

Versiones de Stack: Esta página fue escrita para Python 3.14.0 (estable 3.14, mantenimiento 3.13), FastAPI 0.115+, Django 5.2, Flask 3.1, Pydantic 2, PyTorch 2.6+, pandas 2.2+, Polars 1.x, ruff 0.9+, y uv 0.6+.