¿Cómo construyes un pipeline ML reproducible?

Respuesta directa

Qué debe cubrir una buena respuesta

Cómo funciona

Reproducibilidad significa que una ejecución registrada hace seis meses puede reconstruirse y dar los mismos artefactos. Eso exige fijar todo lo que influyó: el commit del código, una instantánea inmutable o consulta versionada de los datos, las definiciones de features, los hiperparámetros, las semillas aleatorias, la imagen de contenedor con versiones exactas de dependencias y las suposiciones de hardware donde los numéricos difieren. El pipeline se expresa como pasos deterministas con entradas y salidas declaradas, un rastreador de experimentos registra parámetros, métricas y hashes de artefactos por ejecución, y el despliegue promueve un artefacto almacenado en lugar de reentrenar, para que lo evaluado sea lo que se publica.

Ejemplo

Cada ejecución de entrenamiento es un pipeline DVC disparado en CI: la etapa de datos fija una versión de tabla Delta Lake, la de entrenamiento corre en una imagen Docker etiquetada con semillas fijas, MLflow registra parámetros, métricas y el hash del modelo, y la entrada del registro enlaza a la ejecución. Cuando un regulador preguntó cómo se tomó una decisión un año antes, el equipo reconstruyó el modelo desde la ejecución y el hash del artefacto coincidió.

Errores frecuentes

• Entrenar desde una tabla de base de datos viva que cambia por debajo.
• Reentrenar al desplegar y publicar un modelo que nadie evaluó.
• Registrar métricas sin las versiones de código y datos que las produjeron.

Una estructura útil para responder

Responde desde tu propia experiencia.

No memorices un guion: usa solo ejemplos que puedas explicar con honestidad en preguntas posteriores.