MLOps y Producción
Del modelo al sistema en producción
Bienvenida
Este libro recopila y ordena el material que he construido a lo largo de años de docencia y consultoría en MLOps y puesta en producción de modelos: clases de pregrado y maestría, notebooks, talleres y laboratorios, presentaciones y la experiencia de llevar estos temas a proyectos reales. Aquí está reunido y revisado para leerse de corrido; parte de este contenido también se publica como artículos en el blog técnico de BIT.
El hilo conductor es cómo llevar un modelo de Machine Learning de un notebook a un sistema en producción, y cómo mantenerlo ahí. Cubre desde la ingeniería de datos y los pipelines de entrenamiento hasta el versionamiento, el despliegue como servicio, la contenerización, el CI/CD y la operación diaria, con monitoreo, interpretabilidad y comunicación técnica incluidos. Cada capítulo combina teoría con código en Python y con evidencia real de ejecución.
A quién está dirigido
A quien ya sabe entrenar un modelo y se pregunta qué viene después. Asume comodidad con Python, pandas y los fundamentos de machine learning (regresión, clasificación, validación de modelos). A partir de ahí, el libro construye el resto: contratos de datos, pipelines reproducibles, orquestación, servicios, vigilancia del modelo en producción y la forma de explicarlo ante quien debe decidir. También puede utilizarse como material de referencia en cursos de pregrado y maestría.
Qué necesitas para seguir los notebooks
Un entorno de Python 3 con las bibliotecas habituales de ciencia de datos: pandas, numpy, scikit-learn, matplotlib y joblib. Algunos capítulos usan además seaborn, pydantic y fastapi (despliegue como servicio), y el anexo sobre Pandas vs Polars usa polars, pyarrow, psutil y tqdm. Cada capítulo importa lo que necesita en sus primeras celdas.
Cómo está organizado
Son catorce capítulos que avanzan en cinco partes, más dos anexos:
- I · Fundamentos y arquitectura (capítulos 1 a 3): el ciclo de vida de un sistema de IA, la ingeniería de datos y los fundamentos de ETL, y la calidad del dato.
- II · Feature engineering y pipelines (capítulos 4 y 5): transformaciones de variables y pipelines reproducibles.
- III · Automatización y orquestación (capítulos 6 a 8): automatización del entrenamiento, orquestación de workflows y versionamiento de modelos y experimentos.
- IV · Despliegue y producción (capítulos 9 a 11): el modelo como servicio, contenerización y portabilidad, y CI/CD aplicado a Machine Learning.
- V · Monitoreo, interpretabilidad y comunicación (capítulos 12 a 14): estabilidad y monitoreo en producción, interpretabilidad y transparencia, y comunicación técnica de sistemas inteligentes.
Los dos anexos son material de apoyo: una comparación práctica entre Pandas y Polars, y un complemento sobre la calidad del dato en producción que continúa el capítulo 3.
Cómo leer los notebooks
Cada capítulo es un notebook renderizado con sus salidas guardadas: lo que ves es lo que se obtuvo al ejecutarlo, sin volver a correr las celdas al construir el libro. Para reproducirlo en tu equipo, ejecuta las celdas en orden; al ejecutarlos, los capítulos crean sus artefactos (datos de ejemplo, modelos, reportes) en una carpeta propia junto al notebook. Los capítulos se apoyan unos en otros, así que conviene leerlos en orden.
Sobre el autor
Wilder Ramírez Delgado convierte datos en decisiones. Ingeniero Electrónico y Magíster en Analítica de Datos, es científico de datos, arquitecto de IA y asesor tecnológico con más de 20 años de trayectoria profesional. Su trabajo integra analítica avanzada, machine learning, Big Data e IoT para resolver desafíos de organizaciones públicas y privadas.
Como CEO y fundador de Business Innovation Technology (BIT), asesora a entidades gubernamentales y empresas, con especial experiencia en analítica y normatividad de los sectores postal y logístico. Como docente universitario de pregrado y maestría, lleva al aula la experiencia de proyectos reales y conecta los fundamentos con su aplicación práctica.
Esta es la versión pensada para leerse de corrido, con navegación entre capítulos y búsqueda integrada. Si encuentras un error o tienes una duda sobre algún capítulo, puedes dejar un comentario en el artículo correspondiente del blog técnico de BIT; respondo todos.