01
Arquitectura de producción
Definir contratos de entrada y salida, responsabilidades, dependencias y una ruta operativa para servir el modelo.
Información disponibleCurso individualMLOps y operación de modelosOnline en vivo
MLOps: Despliegue y Monitoreo de Modelos de Machine Learning
Del modelo a producción
Convierte un modelo entrenado en un servicio reproducible con API, Docker, pruebas, una ruta de despliegue y monitoreo accionable.
El programa está disponible para revisión, pero no tiene inscripciones ni fechas abiertas. Puedes solicitar información sin pago ni compromiso.
Ruta a producción
01
Empaquetar
FastAPI, contratos, pruebas y Docker.
02
Desplegar
CI/CD y una ruta de despliegue de referencia.
03
Operar
Monitoreo, alertas, drift y mejora.
Un modelo genera valor cuando puede ejecutarse de forma confiable, observarse y mantenerse después del primer despliegue.
Modalidad
Online en vivo
Duración
20 horas totales
Carga académica real
Las competencias requieren práctica entre clases.
20 horas totales: 6 clases · 8 horas online en vivo y 12 horas de laboratorio guiado.
Conocimientos de entrada
Necesitas Python intermedio, SQL, Git básico y haber construido al menos un modelo o proceso analítico. No exige experiencia administrando nube.
Entregable aplicado
Un servicio de modelo con FastAPI y Docker, pruebas, una ruta de despliegue de referencia y un plan de monitoreo.
Respaldo académico
Programa diseñado y operado por Academia Bayes. Operación comercial: NEXO LABS SPA · RUT 78.197.007-7.
Modalidad
Formato online en vivo. Las fechas y el horario se informarán al confirmar una nueva edición.
Aula y materiales
Acceso privado a enlaces, materiales y grabaciones cuando la edición las incluya.
Certificación
Certificado según las condiciones de participación de la edición.
Producción
Del notebook a una solución operable.
El curso utiliza una arquitectura de referencia para conectar software y machine learning sin prometer dominio práctico de Data Engineering ni de AWS, Azure y GCP en pocas sesiones.
02
Modelo como servicio
Exponer predicciones mediante una API con contrato, validaciones, pruebas y control de versiones.
03
Despliegue reproducible
Empaquetar dependencias, automatizar entregas y separar ambientes mediante Docker y CI/CD.
04
Monitoreo y reentrenamiento
Observar calidad, drift, desempeño y operación para decidir cuándo investigar, ajustar o reentrenar.
Contenido previsto
Del modelo a producción
Un proyecto guiado para exponer un modelo con FastAPI, empaquetarlo con Docker, probarlo, desplegar una referencia y diseñar su monitoreo.
Pensado para
Data Scientists y analistas que necesitan llevar soluciones más allá del notebook.
Desarrolladores y profesionales de datos que quieren incorporar el ciclo de vida de machine learning.
Equipos que requieren trazabilidad, automatización y monitoreo en producción.
Arquitectura de producción y contratos
Servicio batch u online, entradas, salidas, dependencias, responsabilidades y contratos verificables del sistema.
FastAPI, esquemas y pruebas
API de scoring con FastAPI, esquemas, validaciones, manejo de errores y pruebas sobre el contrato.
Docker, configuración y secretos
Imagen reproducible, dependencias, variables de entorno, configuración y secretos fuera del código.
CI/CD y despliegue de referencia
Pruebas automáticas, integración continua y un despliegue de referencia. Las equivalencias entre nubes se presentan como extensión.
Monitoreo técnico, del modelo y de datos
Disponibilidad, latencia, errores, calidad de datos, drift y desempeño conectados con alertas accionables.
Incidentes, reentrenamiento y runbook
Respuesta ante fallas, rollback, criterios de reentrenamiento, runbook y demostración final. Data Engineering queda como soporte, no como dominio central.
Enfoque profesional
Producción comienza donde termina la demostración
La solución debe responder ante datos incorrectos, fallas, cambios de versión y deterioro del modelo.
Código, datos, modelo y configuración versionados.
Pruebas automáticas antes del despliegue.
Secretos y permisos fuera del código.
Métricas técnicas y del modelo monitoreadas.
Resultado esperado
Diseñar los contratos y la arquitectura de un servicio de scoring.
Construir y probar una API de modelo con FastAPI.
Empaquetar con Docker y ejecutar una ruta de despliegue reproducible.
Definir monitoreo, respuesta a incidentes y criterios de reentrenamiento.
Información del programa
¿Quieres conocer una próxima edición?
Déjanos tus datos y te contactaremos con información del programa o cuando exista una nueva apertura.
Preguntas frecuentes
Preguntas sobre el programa
Puedes revisar el programa y solicitar información. No hay fechas ni inscripciones abiertas en este momento.
¿Cuándo se abrirá una nueva edición?
La próxima edición aún no tiene fecha confirmada y no está disponible para pago. Puedes solicitar información y te contactaremos cuando exista una nueva apertura.
¿Solicitar información implica pagar?
No. Dejar tus datos solo nos permite responder tu consulta o avisarte sobre una nueva edición; no genera un cobro ni reserva un cupo.
¿Qué conocimientos previos necesito?
Necesitas Python intermedio, SQL, Git básico y haber construido al menos un modelo o proceso analítico. No exige experiencia administrando nube.
¿Cuánto tiempo debo dedicar además de las clases?
20 horas totales: 6 clases · 8 horas online en vivo y 12 horas de laboratorio guiado. La competencia esperada supone completar los laboratorios y el entregable aplicado entre clases.
¿Puedo cursarlo sin completar la especialización?
Sí. El curso se mantiene como programa individual, aunque actualmente no tiene inscripciones abiertas. Una nueva edición podrá tomarse sin matricular la especialización completa.
¿Debo seguir el orden de la especialización?
Solo cuando la especialización completa vuelva a abrir. Si en el futuro tomas este curso de forma individual, podrás comenzar directamente aquí si cumples sus requisitos de entrada.