HCN Tema 9

¿Cuáles son los dos aspectos clave del paradigma MLOps?. Uso de MLflow y registro de modelos. Automatización de tareas repetitivas mediante pipelines y registro de experimentos. Registro de experimentos y ejecuciones. Operacionalización de modelos y uso de servicios cloud.

MLflow es una plataforma MLOps open-source que puede desplegarse: Solo en un data center, pero no en un proveedor de nube. Para implantar MLOps en nube, es necesario utilizar las plataformas proporcionadas por el proveedor. En un data center o en cualquier proveedor de nube. Solo en un entorno de computación en la nube. En un data center o en AWS.

Las principales funciones de MLflow son: Crear experimentos, registrar ejecuciones, entrenar modelos y desplegar modelos en endpoints para inferencia. Crear experimentos, registrar ejecuciones, comparar métricas de rendimiento, registrar modelos y desplegar modelos. Crear experimentos, registrar ejecuciones, entrenar modelos y validar modelos, comparando las métricas de rendimiento entre ellos. Crear experimentos y desplegar modelos.

La función mlflow.start_run() de MLflow se utiliza para: Declarar un nuevo experimento. Señalizar el inicio de una ejecución, de manera que todas las trazas registradas queden asociadas a este run. Crear un nuevo experimento, si aún no existe. Señalizar el inicio de un proceso de registro de modelos.

La función log_artifact() de MLFlow puede utilizarse para: Registrar métricas de rendimiento con valores numéricos. Registrar imágenes generadas en el proceso de validación. Registrar modelos en formato binario. No es una función de MLflow.

Para desplegar un servidor de inferencias en MLflow, es necesario especificar: El identificador del experimento. El identificador del run y el nombre del modelo. El nombre del modelo. El identificador del run.

Para simplificar el despliegue de una arquitectura MLOps en SageMaker, se utiliza: Fargate. Cloud Development Kits. S3. RDS.

La función que permite registrar trazas con MLflow en SageMaker desde el código fuente es: mlflow.start_run(). mlflow.set_tracking_uri(). mlflow.load_model(). mlflow.infer_signature().

La plataforma de Azure DevOps puede utilizarse para desplegar la infraestructura necesaria a través de: Una service connection y el servicio Azure Resource Manager (ARM). Un service principal, una service connection y el servicio Azure Resource Manager (ARM). Un service principal y el servicio Azure Resource Manager (ARM). Un service principal, una service connection y el servicio RDS.

En la arquitectura MLOps de Google, Vertex Pipelines soporta de forma nativa: KubeFlow Pipelines únicamente. KubeFlow Pipelines y TensorFlow Extended. TensorFlow Extended únicamente. KubeFlow Pipelines y Keras Pipelines.