Construir un modelo de Machine Learning en un notebook de Jupyter es fácil; mantenerlo vivo, preciso y monitorizado en producción con datos reales es donde mueren el 87% de los proyectos. Esta es la guía práctica de MLOps para ingenieros: los 4 pilares esenciales, las herramientas del stack moderno, y cómo transformar scripts aislados en pipelines industriales automatizados.
Después de más de 60 artículos, 9 series técnicas y 4 aplicaciones en producción, este es el stack real que uso todos los días. Sin patrocinios, sin afiliados, sin filtros. 10 herramientas organizadas por fase del workflow, lo que probé y descarté, y el coste total: menos de 5€ al mes.
Todo el mundo habla de lo que la IA puede hacer. Casi nadie habla de lo que la IA cuesta hacer. Después de más de 6 meses operando agentes autónomos en producción con Gemini, CrewAI y GitHub Actions, abro las cuentas y desgrano cada euro invertido — y cada sorpresa que encontré por el camino.
La ‘Meseta de Tráfico Orgánico’ es real. Para superarla sin perder el foco en la ingeniería, lanzo un experimento extremo de ‘dogfooding’: automatizar la distribución de Datalaria usando Gemini, CrewAI y GitHub Actions. Este es el Plan Maestro.
Empezamos nuestro proyecto meteorológico creando el motor: un script de Python que habla con una API, guarda datos históricos y se ejecuta solo cada día gracias a GitHub Actions. ¡Te cuento los trucos y los problemas!