¿Cómo diseñas CI/CD para machine learning?

Respuesta directa

Qué debe cubrir una buena respuesta

Cómo funciona

La integración continua para ML valida más que código: pruebas unitarias de la lógica de features, pruebas de contrato de datos contra un fixture, una pequeña ejecución de entrenamiento reproducible que debe alcanzar un mínimo de métrica, pruebas de comportamiento del modelo sobre un conjunto dorado, escaneo de dependencias y secretos, y una prueba de contrato del contenedor de serving. La entrega continua trata el modelo entrenado, su preprocesamiento y su esquema como un único paquete firmado que avanza por entornos igual que una aplicación: promoción automática a staging, una puerta de aprobación con el informe de evaluación adjunto, un canario en producción con rollback automático por protecciones de servicio y despliegue completo cuando las métricas de calidad retrasadas lo permiten.

Ejemplo

Un pull request que cambia código de features dispara pruebas unitarias, una ejecución de humo de entrenamiento con 5.000 filas y una evaluación sobre el conjunto dorado; una métrica por debajo de 0,88 bloquea la fusión. Un job nocturno entrena con datos frescos, registra un candidato y abre una solicitud de promoción con la diferencia de evaluación frente a producción. La aprobación del dueño del modelo despliega al 5 por ciento del tráfico, y un job promueve al 100 por ciento a las 48 horas si la conversión no ha caído.

Errores frecuentes

• Ejecutar solo pruebas de código y dejar que un mal modelo pase CI.
• Reentrenar como parte del paso de despliegue, de modo que lo publicado nunca se evaluó.
• Promover un modelo sin rastro de aprobación ni evaluación adjunta.

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.