Preparación por profesión
Entrevista de Ingeniero MLOps: preguntas y respuestas.
Entrega de modelos, reproducibilidad y monitorización en producción.
Preguntas
Preguntas técnicas para practicar en voz alta
- 01
¿Qué es un registro de modelos y por qué lo necesitas?
Un registro guarda versiones inmutables con métricas, linaje, entorno, aprobaciones y etapa. Da al despliegue una identidad de artefacto revisada y permite promoción, comparación, auditoría y rollback.
Leer el desglose completo - 02
¿Qué es el desajuste entre entrenamiento y serving?
Training-serving skew significa que features o preprocesamiento de producción difieren del entrenamiento en definición, código, tiempo o distribución. Evítalo compartiendo transformaciones, joins temporales, esquemas, pruebas y monitorización.
Leer el desglose completo - 03
¿Cómo monitorizas un modelo de machine learning desplegado?
Monitoriza latencia, errores y saturación; esquema, calidad y deriva de entrada; distribución y confianza de predicciones; rendimiento y calibración con outcomes; e impacto de negocio por versión y segmento.
Leer el desglose completo - 04
¿Cómo diseñas CI/CD para machine learning?
CI valida código, contratos de datos, features, entrenamiento reproducible, umbrales, seguridad y serving. CD promociona un bundle firmado progresivamente con aprobaciones, monitorización y gates de rollback.
Leer el desglose completo - 05
¿Cómo haces reproducible un experimento ML?
Registra commit, snapshot o consulta de datos, features, parámetros, semillas, imagen de dependencias, supuestos de hardware y salidas; repite en entorno aislado y compara artefactos y métricas.
Leer el desglose completo - 06
¿Cómo gestionas pipelines de features?
Define features una vez con propietario, esquema y semántica temporal, versiona transformaciones, valida frescura y distribución, materializa offline y online consistentemente, hace backfill idempotente y registra linaje.
Leer el desglose completo - 07
¿Cómo validas datos de entrenamiento ML?
Valida esquema, tipos, rangos, faltantes, unicidad, etiquetas, corrección temporal, leakage, cambios de distribución y cobertura de grupos contra una línea base aprobada antes de entrenar.
Leer el desglose completo - 08
¿Cómo haces rollback de un despliegue ML?
Versiona modelo, contrato de features, preprocesamiento y runtime juntos, conserva el último artefacto sano, usa routing reversible, automatiza rollback por guardrails técnicos y define acción para degradación tardía.
Leer el desglose completo - 09
¿Cómo proteges la cadena de suministro del modelo?
Protege la cadena con fuentes confiables, builds aislados, dependencias fijadas y escaneadas, datos y artefactos firmados, procedencia, registros de mínimo privilegio, aprobaciones y verificación al desplegar.
Leer el desglose completo - 10
¿Cómo controlas costes de una plataforma MLOps?
Atribuye cómputo, almacenamiento y serving por equipo, experimento y modelo; fija cuotas y apagado, reutiliza features, dimensiona aceleradores, programa training, usa spot y optimiza coste por resultado.
Leer el desglose completo