¿Qué hace esta skill?

La Flujo MLE Producción Skill convierte trabajo de modelado en pipelines de machine learning robustos, auditables y desplegables. Define contratos de datos claros, garantiza entrenamiento reproducible, establece puertas de promoción medibles y planifica despliegue, monitorización y rollback de forma explícita y revisable.

De Notebook a Pipeline
Convierte código de notebook en un pipeline reutilizable de entrenamiento, evaluación e inferencia con configs tipados y semillas fijas.
Puertas de Promoción
Declara métricas principales, guardrails de latencia y coste, y umbrales de no desplegar antes de entrenar el modelo.
Depuración de Drift y Fugas
Diagnostica fallos por drift de datos, fuga de etiquetas, features obsoletas o inconsistencias entre entrenamiento y serving.
Despliegue y Rollback
Empaqueta artefactos con preprocesamiento, valida esquemas de entrada/salida y define un plan de rollback explícito con monitorización operativa.

Ejemplos de uso

🔄 De notebook a pipeline
Tengo un notebook de entrenamiento de un clasificador. Ayúdame a convertirlo en un pipeline reproducible con config tipada y semilla fija.
📊 Puertas de promoción
Define puertas de promoción para mi modelo de ranking: AUC mínimo 0.82, error de calibración máximo 0.04 y p95 de latencia por debajo de 80ms.
🔍 Depurar drift
Mi modelo en producción ha degradado su rendimiento. Ayúdame a diagnosticar si hay drift de features, fuga de etiquetas o inconsistencias entre entrenamiento y serving.
🚀 Plan de despliegue
Diseña un plan de despliegue canary con tráfico shadow, verificaciones post-despliegue y un plan de rollback explícito para mi recomendador.

Características

Contratos de datos explícitos Define grain de entidad, etiqueta, retardo de disponibilidad, reglas de join point-in-time y política de split antes de entrenar.
Entrenamiento reproducible Configs tipados inmutables, semillas fijas, versionado de dependencias y hash de artefacto que elimina estado oculto de notebook.
Puertas de calidad medibles Promoción fail-closed: si falta una métrica o no supera el umbral, el modelo no se despliega. Guardrails de latencia, coste y calibración.
Artefactos desplegables completos Empaqueta versión, referencia de datos, config y preprocesamiento junto al modelo con validación de esquemas y fallback.
Monitorización y rollback Monitoriza drift de features y predicciones, salud de etiquetas retardadas y KPIs de negocio con plan de rollback explícito.

Preguntas frecuentes

Para cualquier sistema ML de producción: clasificadores, recomendadores, ranking, forecasting, embeddings o detección de anomalías.
No. La skill genera artefactos de texto y código (contratos, configs, puertas de promoción, planes) que integras en tu stack MLOps existente.
Mediante configs tipados inmutables, semillas fijas, versionado de dependencias y un hash de artefacto que combina dataset, código y configuración.
Las puertas fallan de forma cerrada: si falta una métrica o no supera el umbral configurado, el modelo no se promociona a producción.

Skills relacionadas

Mas skills de la misma categoria:

Flujo MLE Producción — Pipelines de ML robustos con Claude AI

¿Prefieres escuchar el contenido? Genera la narración de audio con un clic.