Documentos de Académico
Documentos de Profesional
Documentos de Cultura
• Contenedores II
• Despliegue en Cloud
• Monitoreo y Seguimiento de Modelos
• Arquitecturas comunes
Contenedores II
Problemática de los entornos
¿Cuántas veces te ha pasado que tu código funciona bien en tu
ordenador, pero no en el de los demás? La razón: tu ordenador y
el resto tienen diferentes entornos de Python.
Un entorno incluye todas las librerías y dependencias utilizadas
para crear una aplicación. Si podemos transferir ese entorno en
un Container, se puede utilizar en otros sitios el modelo.
Soluciones para entornos
Alternativas para crear un entorno aislado para nuestra
aplicación:
• Tener una máquina separada.
• Utilizar maquinas virtuales.
• Containers.
Repaso Docker
Docker es una herramienta para facilitar la creación,
implementación y ejecución de aplicaciones mediante Containers.
Estos permiten empaquetar una aplicación con todos sus
componentes y enviarlo como un solo paquete
Creando un Container
Para poder crear un Container vamos a tener que generar un
Dockerfile con las librerías necesarias para el modelo. Después
generamos el Docker Image, que contiene toda la información
necesaria para la ejecución del modelo.
Creando un Container
Para poder crear un Container vamos a tener que generar un
Dockerfile con las librerías necesarias para el modelo. Después
generamos el Docker Image, que contiene toda la información
necesaria para la ejecución del modelo.
Container para un API
Pycaret permite crear fácilmente un Container para un API de un
modelo.
Container de la aplicación de Flask
Vamos a generar un Container de Docker para nuestra aplicación
de Flask y HTML.
Laboratorio: Crear un docker para una app que usa
FastAPI.
Despliegue en Cloud
Importancia del Cloud
El ML ha estado fuera del alcance de la mayoría de empresas
debido a la alta especialización que requiere, costes de
implementación y dificultad para escalar. El ML en el Cloud
puede cambiarlo, gracias a:
Arquitectura
Despliegue en ECS
Podemos desplegar nuestro modelo en el cloud mediante Containers
de Docker. En este ejemplo, probaremos a desplegar el modelo en
Elastic Container Service.
Despliegue del Container en Azure
Vamos a desplegar el Container de la API en ECS, colocándolo en
un ECR. Para ello, utilizaremos el ECR para subir la imagen de
Docker.
Laboratorio: Deployar un modelo local de una app
en AWS
Monitoreo y Seguimiento
Principales medidas a tomar en cuenta
3. Pruebas de integridad del modelo (MIT): Estas pruebas se realizan para verificar
si el rendimiento del modelo en sí ha cambiado con el tiempo.
Formula Basica
Formula Extendida
Metricas
Las métricas de rendimiento pueden variar según el tipo de
problema que estás intentando resolver. Por ejemplo, para
problemas de clasificación, puedes querer seguir de cerca la
precisión, la curva ROC, la sensibilidad, la especificidad,
etc. Para problemas de regresión, puedes querer seguir de cerca
el error cuadrático medio, el error absoluto medio, etc..
Formula Basica
CI, CD & CT