Puesta en producción de modelos de aprendizaje automático y administración de su ciclo de vida (MLOps) - Trabajo Fin de Máster

Aug 5, 2026

Subido por Oliver

Trabajo fin de máster centrado en la puesta en producción de modelos de aprendizaje automático y en la administración de su ciclo de vida bajo el marco MLOps. El contenido aborda la ingeniería de datos y la ingeniería de modelos, además de la implementación del modelo. Incluye un análisis comparativo de herramientas para servir modelos de ML, como las opciones más utilizadas, y evalúa plataformas de pipelines para MLOps mediante criterios prácticos. Se profundiza en Airflow, MLflow y otros enfoques, comparando usos, componentes y ventajas.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas183

Tiempo de lectura4 h 42 min

AccesoGratis para descargar

Tabla de contenidos

Introducción y beneficios de MLOps

Ingeniería de datos

Ingeniería de modelos

Implementación del modelo

Herramientas para servir modelos de ML

Análisis comparativo

Instalación

Personalización

Comunidad y documentación

Análisis de herramientas de pipelines para MLOps

Presentación de herramientas

Análisis comparativo

Apache Airflow

Usos de Apache Airflow

DAGs en Airflow

Tareas en Airflow

Operadores en Airflow

Sensores en Airflow

Ventajas de usar Airflow

Desventajas de Airflow

MLflow

MLflow Tracking

MLflow Projects

MLflow Models

MLflow Registry

UNIVERSIDAD POLITÉCNICA DE CARTAGENA Escuela Técnica Superior de Ingeniería Industrial Puesta en producción demodelos de aprendizajeautomático y administraciónde su ciclo de vida (MLOps) TRABAJO FIN DE MÁSTER MÁSTER EN INDUSTRIA 4.0 Autor: Guillermo García Espinosa Director: Francisco Javier Garrigós Guerrero Codirector: José Javier Martínez Álvarez Cartagena, 5 de octubre de 2023 Contenido 1. Introducción y beneficios de M LOPS.................................................................................................6 1.1. Ingenie ría de datos......................................................................................................................6 1.2. Ingenie ría de mode los.................................................................................................................7 1.3. Implementación del modelo.......................................................................................................8 2. Herramientas para servir modelos de ML.......................................................................................10 2.1. Herramientas para servir modelos de ML................................................................................10 2.1.1. G radio .................................................................................................................................10 2.1.2. Stream lit .............................................................................................................................11 2.1.3. Dash....................................................................................................................................12 2.2. Análisis comparativo..................................................................................................................12 2.2.1. Instalación ...........................................................................................................................12 2.2.2. Persona lización ...................................................................................................................13 2.2.3. Comunidad y documentación............................................................................................13 3. Análisis de herramientas de pipelines para M LOps........................................................................16 3.1. Presentación de herramientas..................................................................................................16 3.1.1. Airflow.................................................................................................................................16 3.1.2. Luigi.....................................................................................................................................17 3.1.3. Ku beflow.............................................................................................................................18 3.1.4. MLflow................................................................................................................................18 3.1.5. Prefect................................................................................................................................19 3.1.6. Tensor Flow Extended.........................................................................................................19 3.1.7. Metaflow............................................................................................................................20 3.1.8. ML Run.................................................................................................................................20 3.1.9. Kedro...................................................................................................................................21 3.1.10. Polyaxon.............................................................................................................................21 3.1.11. Pachyderm ......

Preguntas frecuentes

Qué aborda el trabajo sobre MLOps y la puesta en producción?

El trabajo cubre la puesta en producción de modelos de aprendizaje automático y la administración de su ciclo de vida mediante el enfoque MLOps. Incluye fases como ingeniería de datos, ingeniería de modelos e implementación del modelo.

Qué tipo de herramientas se analizan para servir modelos de ML?

Se estudian herramientas para servir modelos de ML y se realiza un análisis comparativo. El documento contempla aspectos como instalación, personalización y comunidad y documentación.

Cómo se evalúan herramientas para pipelines de MLOps y cuáles se profundizan?

Se presenta un conjunto de herramientas de pipelines para MLOps y luego se realiza un análisis comparativo. Se profundiza especialmente en Apache Airflow (usos, DAGs, tareas, operadores, sensores, ventajas y desventajas) y en MLflow (Tracking, Projects, Models y Registry).

Qué temas clave aparecen dentro de Apache Airflow en el documento?

El documento detalla usos de Apache Airflow, la estructura de DAGs, las tareas, operadores y sensores. También compara ventajas y desventajas de utilizar Airflow.

Aug 5, 2026

Subido por Oliver