Los algoritmos de aprendizaje automático ofrecen un gran potencial para mejorar la forma en como trabajamos con datos y el valor que podemos extraer de ellos. Para hacerlo bien en ambientes de producción, es esencial ser capaz de manejar el constante flujo de trabajo y datos.
La logística requerida para productizar modelos de aprendizaje automático va más allá de lo que se necesita para otros tipos de aplicaciones de software o servicios. Esto es un proceso dinámico que debe ser capaz de ejecutar múltiples modelos en producción, en diferentes locaciones y a través de varios ciclos de desarrollo, re-entrenamiento y reemplazo de modelos. El manejo debe ser flexible y rápidamente adaptable, no queremos esperar hasta que cambios en el mundo exterior reduzcan la perfomance de nuestro sistema en producción antes de que comencemos a construir modelos mejores o alternativos, y no queremos contratiempos cuando es momento de desplegar estos nuevos modelos.
Tanto como necesitamos técnicas para construir modelos de aprendizaje automático precisos y robustos que luego serán puestos en producción, necesitamos también metricas y analisis que permitan determinar cuando nuestros modelos están funcionando como se espera.
La pregunta de cuándo un modelo funciona correctamente se divide entre cuando el hardware funciona correctamente, si los modelos están ejecutando y si los datos ingresando a nuestro modelo son los esperados. Además de esto, es necesario contar con alertas simples y precisas que no consuman demasiado de nuestro tiempo.
Todos estos puntos serán tratados en el dictado de la materia, analizando en detalle cada etapa y permitiéndole finalmente al alumno desplegar su propio sistema en entornos cloud de forma eficiente, repetible y con tolerancia a fallas comunes.
Temas:
Bibliografía:
16 horas presenciales + 8 virtuales
Entrega y aprobación de 2 trabajos prácticos.