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.
¿Cómo actualizas tu opinión cuando recibes nueva evidencia? Si respondes ‘con datos’, enhorabuena: llevas 260 años practicando bayesianismo sin saberlo. Esta es la historia de un reverendo del siglo XVIII cuyo ensayo póstumo sentó las bases del machine learning, los filtros anti-spam, el diagnóstico médico y los modelos probabilísticos que usamos hoy para predecir la demanda.
Tu Excel dice “venderemos 100 unidades”. Es un número redondo, bonito, determinista. ¿Y si vendes 120? Rotura de stock, cliente insatisfecho, penalización contractual. ¿Y si vendes 50? 50 unidades ocupando almacén, inmovilizando capital que podría estar generando rendimiento. El problema no es la predicción en sí. Es la arrogancia del número único. En el Capítulo 1 construimos una “Válvula de Calidad” que elimina el ruido de los datos del ERP. Ahora que tenemos una señal pura, vamos a hacer algo que Excel no puede: medir la incertidumbre. ...