[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-es-110":3,"doc-seo-127958-110":49,"doc-detail-127958-es":127},{"code":4,"msg":5,"data":6},0,"success",[7,13,17,21,25,29,33,37,41,45],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},39,"Document","Cómic",60,"comic",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":11,"slug":16},43,"Estilo de Vida","lifestyle",{"id":18,"doc_module":4,"doc_module_name":9,"category_name":19,"show_sort_weight":11,"slug":20},38,"Examen","exam",{"id":22,"doc_module":4,"doc_module_name":9,"category_name":23,"show_sort_weight":11,"slug":24},44,"General","general",{"id":26,"doc_module":4,"doc_module_name":9,"category_name":27,"show_sort_weight":11,"slug":28},41,"Investigación e Informes","research-report",{"id":30,"doc_module":4,"doc_module_name":9,"category_name":31,"show_sort_weight":11,"slug":32},37,"Literatura","literature",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":11,"slug":36},22,"Relatos y Novelas","story-novel",{"id":38,"doc_module":4,"doc_module_name":9,"category_name":39,"show_sort_weight":11,"slug":40},42,"Religión y Espiritualidad","religion-spirituality",{"id":42,"doc_module":4,"doc_module_name":9,"category_name":43,"show_sort_weight":11,"slug":44},40,"Salud y Atención Médica","healthcare",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":47,"show_sort_weight":11,"slug":48},24,"Tecnología","technology",{"code":4,"msg":50,"data":51},"ok",{"site_id":52,"language":53,"slug":54,"title":55,"keywords":56,"description":57,"schema_data":58,"social_meta":120,"head_meta":122,"extra_data":124,"updated_unix":126},110,"es","putting-into-production-of-machine-learning-models-and-managing-their-lifecycle-mlops-masters-final-project","Puesta en producción de modelos de aprendizaje automático y administración de su ciclo de vida (MLOps) - Trabajo Fin de Máster","","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.",{"@graph":59,"@context":119},[60,77,98],{"@type":61,"itemListElement":62},"BreadcrumbList",[63,68,71,74],{"item":64,"name":65,"@type":66,"position":67},"https://docshare.wps.com","Home","ListItem",1,{"item":69,"name":9,"@type":66,"position":70},"https://docshare.wps.com/es/document/",2,{"item":72,"name":27,"@type":66,"position":73},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":75,"name":55,"@type":66,"position":76},"https://docshare.wps.com/es/document/putting-into-production-of-machine-learning-models-and-managing-their-lifecycle-mlops-masters-final-project/127958/",4,{"url":75,"name":55,"@type":78,"image":79,"author":84,"headline":55,"publisher":87,"fileFormat":90,"inLanguage":53,"description":57,"dateModified":91,"datePublished":92,"encodingFormat":90,"isAccessibleForFree":93,"interactionStatistic":94},"DigitalDocument",{"url":80,"@type":81,"width":82,"height":83},"https://docshare.wps.com/thumbnails/putting-into-production-of-machine-learning-models-and-managing-their-lifecycle-mlops-masters-final-project/127958.png","ImageObject",300,407,{"name":85,"@type":86},"Oliver","Person",{"url":64,"name":88,"@type":89},"DocShare","Organization","application/pdf","2026-09-19","2026-08-05",true,{"@type":95,"interactionType":96,"userInteractionCount":76},"InteractionCounter",{"@type":97},"ViewAction",{"@type":99,"mainEntity":100},"FAQPage",[101,107,111,115],{"name":102,"@type":103,"acceptedAnswer":104},"Qué aborda el trabajo sobre MLOps y la puesta en producción?","Question",{"text":105,"@type":106},"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.","Answer",{"name":108,"@type":103,"acceptedAnswer":109},"Qué tipo de herramientas se analizan para servir modelos de ML?",{"text":110,"@type":106},"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.",{"name":112,"@type":103,"acceptedAnswer":113},"Cómo se evalúan herramientas para pipelines de MLOps y cuáles se profundizan?",{"text":114,"@type":106},"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).",{"name":116,"@type":103,"acceptedAnswer":117},"Qué temas clave aparecen dentro de Apache Airflow en el documento?",{"text":118,"@type":106},"El documento detalla usos de Apache Airflow, la estructura de DAGs, las tareas, operadores y sensores. También compara ventajas y desventajas de utilizar Airflow.","https://schema.org",{"og:url":75,"og:type":121,"og:title":55,"og:site_name":88,"og:description":57},"article",{"robots":123,"canonical":75},"index,follow",{"doc_id":125,"site_id":52},127958,1785943298,{"code":4,"msg":5,"data":128},{"doc_id":125,"user_id":129,"nickname":85,"user_avatar":130,"doc_module":4,"category_id":26,"category_name":27,"doc_title":55,"doc_description":57,"doc_content":131,"file_id":132,"file_url":133,"file_type":134,"file_size":135,"view_count":76,"is_deleted":4,"is_public":67,"is_downloadable":67,"audit_status":67,"page_count":136,"language":137,"language_code":53,"site_id":52,"html_lang":53,"table_of_contents":138,"faqs":139,"seo_title":140,"seo_description":57,"update_tm":126,"read_time":141},687207024643,"https://ap-avatar.wpscdn.com/davatar_3d24733baf745e90a7e4bdd5f77d97b2","UNIVERSIDAD POLITÉCNICA DE CARTAGENA  \nEscuela Técnica Superior de Ingeniería  \nIndustrial  \nPuesta en producción demodelos de aprendizajeautomático y administraciónde su ciclo de vida (MLOps)  \nTRABAJO FIN DE MÁSTER  \nMÁSTER EN INDUSTRIA 4.0  \nAutor: Guillermo García Espinosa  \nDirector: Francisco Javier Garrigós Guerrero Codirector: José Javier Martínez Álvarez  \nCartagena, 5 de octubre de 2023  \nContenido  \n1. Introducción y beneficios de M LOPS.................................................................................................6  \n1.1. Ingenie ría de datos......................................................................................................................6  \n1.2. Ingenie ría de mode los.................................................................................................................7  \n1.3. Implementación del modelo.......................................................................................................8  \n2. Herramientas para servir modelos de ML.......................................................................................10  \n2.1. Herramientas para servir modelos de ML................................................................................10  \n2.1.1. G radio .................................................................................................................................10  \n2.1.2. Stream lit .............................................................................................................................11  \n2.1.3. Dash....................................................................................................................................12  \n2.2. Análisis comparativo..................................................................................................................12  \n2.2.1. Instalación ...........................................................................................................................12  \n2.2.2. Persona lización ...................................................................................................................13  \n2.2.3. Comunidad y documentación............................................................................................13  \n3. Análisis de herramientas de pipelines para M LOps........................................................................16  \n3.1. Presentación de herramientas..................................................................................................16  \n3.1.1. Airflow.................................................................................................................................16  \n3.1.2. Luigi.....................................................................................................................................17  \n3.1.3. Ku beflow.............................................................................................................................18  \n3.1.4. MLflow................................................................................................................................18  \n3.1.5. Prefect................................................................................................................................19  \n3.1.6. Tensor Flow Extended.........................................................................................................19  \n3.1.7. Metaflow............................................................................................................................20  \n3.1.8. ML Run.................................................................................................................................20  \n3.1.9. Kedro...................................................................................................................................21  \n3.1.10. Polyaxon.............................................................................................................................21  \n3.1.11. Pachyderm ......","cbCaicWCa1NfH0Sw","https://ap.wps.com/l/cbCaicWCa1NfH0Sw","pdf",4161488,183,"Spanish","# Introducción y beneficios de MLOps\n## Ingeniería de datos\n## Ingeniería de modelos\n## Implementación del modelo\n# Herramientas para servir modelos de ML\n## Herramientas para servir modelos de ML\n## Análisis comparativo\n### Instalación\n### Personalización\n### Comunidad y documentación\n# Análisis de herramientas de pipelines para MLOps\n## Presentación de herramientas\n## Análisis comparativo\n## Apache Airflow\n### Usos de Apache Airflow\n### DAGs en Airflow\n### Tareas en Airflow\n### Operadores en Airflow\n### Sensores en Airflow\n### Ventajas de usar Airflow\n### Desventajas de Airflow\n## MLflow\n### MLflow Tracking\n### MLflow Projects\n### MLflow Models\n### MLflow Registry","[{\"question\":\"Qué aborda el trabajo sobre MLOps y la puesta en producción?\",\"answer\":\"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.\"},{\"question\":\"Qué tipo de herramientas se analizan para servir modelos de ML?\",\"answer\":\"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.\"},{\"question\":\"Cómo se evalúan herramientas para pipelines de MLOps y cuáles se profundizan?\",\"answer\":\"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).\"},{\"question\":\"Qué temas clave aparecen dentro de Apache Airflow en el documento?\",\"answer\":\"El documento detalla usos de Apache Airflow, la estructura de DAGs, las tareas, operadores y sensores. También compara ventajas y desventajas de utilizar Airflow.\"}]","Puesta en producción de modelos de aprendizaje automático y administración de su ciclo de vida (MLOps) - Trabajo Fin de Máster | PDF",282]