Machine Learning en Producción: MLOps, Monitoring y Model Drift

Entrenar un modelo es el 20% del trabajo. Deployarlo, monitorearlo, y mantenerlo performante en producción es el 80%. MLOps es DevOps para modelos de Machine Learning.

Pipeline de ML End-to-End

1. Data Ingestion: Airflow o Prefect para orquestar ETL
2. Feature Engineering: Feast para feature store centralizado
3. Training: Experimentos rastreados con MLflow o Weights & Biases
4. Validation: A/B testing de modelos en staging
5. Deployment: Servir con FastAPI + ONNX o TensorFlow Serving
6. Monitoring: Detectar model drift con Evidently AI

Model Drift: El Enemigo Silencioso

Los datos en producción cambian con el tiempo. Un modelo entrenado en 2024 puede degradarse en 2026. Monitorea distribuciones de features y performance metrics (precision, recall) en tiempo real. Reentrenamiento automático cuando drift > threshold.

Infraestructura para ML

GPUs son caras. Usa instancias spot (AWS EC2 Spot, GCP Preemptible) para training. Para inferencia, considera Inferentia (AWS) o TPUs (GCP) que son más baratos. Escala a cero con serverless (AWS SageMaker, Google Vertex AI).