Curso de MLOps con Azure para Equipos DevOps — Escala modelos

¿Qué es un Workspace y su importancia en MLOps?

Creación de un Workspace en el portal de Azure.

Configuración de recursos como compute clusters y almacenamiento.

Uso del SDK de Azure Machine Learning para gestionar el Workspace.

Exploración de la interfaz de usuario de Azure ML Studio.

Práctica: creación de un Workspace con recursos compartidos.

Resolución de problemas comunes al configurar Workspaces.

Documentación de configuraciones iniciales.

Comparación entre recursos locales y basados en la nube.

Mejores prácticas para organizar Workspaces en proyectos.

Introducción a Azure Data Factory para ingestión de datos.

Uso de Azure Blob Storage para almacenar datasets.

Configuración de pipelines de datos para limpieza y transformación.

Práctica: ingestión de un dataset de ejemplo desde una fuente externa.

Exploración de Azure Synapse Analytics para análisis avanzado.

Resolución de problemas en la carga y transformación de datos.

Análisis de métricas clave de calidad de datos.

Documentación del flujo de trabajo de preparación de datos.

Comparación entre herramientas de datos nativas y externas.

Mejores prácticas para gestionar datos en proyectos de ML.

Introducción al entrenamiento distribuido en Azure.

Configuración de scripts de entrenamiento con el SDK de Python.

Uso de Compute Instances y Compute Clusters para escalar el entrenamiento.

Práctica: entrenamiento de un modelo de clasificación en Azure ML.

Resolución de problemas comunes durante el entrenamiento.

Exploración de métricas de entrenamiento como precisión y pérdida.

Análisis de logs generados durante el entrenamiento.

Comparación entre entrenamientos locales y en la nube.

Mejores prácticas para optimizar costos y tiempo de entrenamiento.

Casos de éxito en el entrenamiento de modelos en Azure ML.

Importancia del registro y versionado en MLOps.

Configuración del registro de modelos en Azure ML.

Práctica: registro de un modelo entrenado en el Workspace.

Exploración de herramientas para visualizar versiones de modelos.

Resolución de problemas comunes en el registro de modelos.

Análisis del impacto del versionado en la reproducibilidad.

Comparación entre registros locales y basados en la nube.

Documentación de registros y versiones de modelos.

Mejores prácticas para mantener un registro organizado.

Casos prácticos de empresas con estrategias de versionado exitosas.

Introducción a los endpoints en Azure Machine Learning.

Configuración de un endpoint para la predicción en tiempo real.

Práctica: despliegue de un modelo como servicio REST API.

Uso de Azure Kubernetes Service (AKS) para escalar modelos.

Resolución de problemas comunes durante la implementación.

Monitoreo del rendimiento de los endpoints desplegados.

Comparación entre predicciones en tiempo real y por lotes.

Análisis de logs y métricas de uso de endpoints.

Documentación del proceso de implementación.

Mejores prácticas para garantizar disponibilidad y escalabilidad.

Introducción a los pipelines de Machine Learning en Azure.

Configuración de pipelines en Azure ML Studio.

Uso de pasos modulares para estructurar workflows.

Automatización de tareas como ingestión, entrenamiento y despliegue.

Práctica: creación de un pipeline para un modelo de clasificación.

Exploración de herramientas para monitorizar pipelines automatizados.

Resolución de problemas comunes en pipelines complejos.

Análisis del impacto de la automatización en la eficiencia del desarrollo.

Comparación entre pipelines manuales y automatizados.

Mejores prácticas para diseñar pipelines robustos y escalables.

Introducción a la integración continua y entrega continua (CI/CD) en MLOps.

Configuración de repositorios de código en Azure DevOps.

Creación de pipelines de CI/CD para modelos de ML.

Práctica: automatización del despliegue de un modelo mediante Azure DevOps.

Uso de herramientas como YAML para definir pipelines CI/CD.

Resolución de problemas comunes en la integración con DevOps.

Análisis de beneficios de CI/CD en el ciclo de vida de modelos.

Exploración de casos prácticos con DevOps y MLOps.

Documentación de procesos automatizados implementados.

Mejores prácticas para implementar CI/CD en proyectos de MLOps.

Importancia de la monitorización en el ciclo de vida de los modelos.

Configuración de métricas clave de rendimiento y precisión.

Uso de Azure Monitor para supervisar endpoints en producción.

Práctica: configuración de alertas para detectar degradaciones en modelos.

Resolución de problemas comunes en la monitorización de modelos.

Exploración de logs y métricas para análisis de comportamiento.

Análisis del impacto del drift en los datos y cómo detectarlo.

Documentación de procesos de monitorización implementados.

Comparación entre técnicas tradicionales y modernas de monitorización.

Mejores prácticas para garantizar la estabilidad de modelos en producción.

Introducción al concepto de Feature Store en MLOps.

Uso de Azure para almacenar y gestionar características.

Configuración de pipelines para la generación y almacenamiento de features.

Práctica: diseño de un Feature Store para un caso de predicción.

Resolución de problemas comunes en la gestión de features.

Análisis de métricas de calidad de datos en features.

Exploración de casos prácticos de Feature Store en empresas.

Comparación entre almacenamiento de datos brutos y features.

Documentación de workflows relacionados con features.

Mejores prácticas para mantener un Feature Store eficiente.

Introducción a la escalabilidad en proyectos de MLOps.

Configuración de recursos en Azure para optimizar costos.

Uso de autoscaling en Compute Clusters y AKS.

Práctica: ajuste de configuraciones para maximizar rendimiento con menor costo.

Resolución de problemas comunes relacionados con la escalabilidad.

Análisis de métricas clave para optimización de recursos.

Exploración de herramientas de simulación de costos en Azure.

Documentación de estrategias de escalabilidad implementadas.

Comparación entre entornos locales y en la nube.

Mejores prácticas para optimizar costos sin comprometer el rendimiento.

Importancia de la gobernanza en proyectos de Machine Learning.

Configuración de políticas de acceso y control en Azure.

Uso de Azure Policy para asegurar el cumplimiento normativo.

Práctica: configuración de un entorno seguro para un proyecto de MLOps.

Resolución de problemas comunes relacionados con la gobernanza.

Documentación de políticas aplicadas en proyectos.

Análisis del impacto del cumplimiento normativo en proyectos de ML.

Exploración de casos de éxito en gobernanza en empresas.

Comparación entre enfoques de gobernanza manuales y automatizados.

Mejores prácticas para mantener un entorno gobernado y seguro.

Identificación de errores comunes en workflows de MLOps.

Resolución de problemas relacionados con pipelines.

Práctica: diagnóstico de fallos en entrenamientos y despliegues.

Exploración de logs y métricas para identificar cuellos de botella.

Uso de herramientas de debugging en Azure ML Studio.

Documentación de soluciones aplicadas a problemas frecuentes.

Análisis de casos prácticos de resolución de incidencias.

Comparación entre estrategias proactivas y reactivas.

Mejores prácticas para prevenir errores recurrentes.

Exploración de recursos oficiales de Azure para soporte técnico.

Revisión de herramientas nativas de Azure para MLOps.

Comparación entre Azure ML Studio y Azure Data Factory.

Exploración de integraciones con herramientas externas como Databricks.

Análisis de casos de uso para diferentes herramientas de Azure.

Práctica: selección de herramientas para un caso empresarial.

Resolución de problemas relacionados con integraciones múltiples.

Documentación de workflows diseñados con herramientas combinadas.

Comparación entre funcionalidades nativas y personalizadas.

Mejores prácticas para seleccionar herramientas según las necesidades del proyecto.

Casos de éxito en el uso combinado de herramientas MLOps.

Selección de un caso de negocio para implementar MLOps.

Configuración del Workspace y recursos necesarios en Azure.

Diseño de un pipeline completo desde la ingestión de datos hasta el despliegue.

Implementación de un sistema de monitorización para el modelo desplegado.

Práctica: configuración de CI/CD para automatizar todo el ciclo de vida.

Resolución de problemas encontrados durante la implementación.

Documentación detallada del sistema implementado.

Análisis de métricas obtenidas y optimización del sistema.

Presentación del proyecto final y discusión de aprendizajes.

Retroalimentación del instructor sobre el proyecto completo.