Glosario IA
El diccionario completo de la Inteligencia Artificial
Gestión del Ciclo de Vida del Modelo
Conjunto de procesos y herramientas que permiten gestionar el ciclo de vida completo de un modelo de aprendizaje automático, desde su diseño inicial hasta su implementación en producción y su retiro final. Este enfoque sistemático asegura la trazabilidad, reproducibilidad y mantenimiento continuo de los modelos a lo largo de su existencia operacional.
Despliegue del Modelo
Proceso de integración de un modelo de aprendizaje automático en un entorno de producción donde puede generar predicciones en tiempo real o en lotes. Este paso crítico incluye la configuración de la infraestructura, la exposición de las API y la implementación de mecanismos de escalabilidad automática.
Reentrenamiento del Modelo
Proceso de reentrenamiento periódico o desencadenado de un modelo con nuevos datos para mantener o mejorar su rendimiento frente a las evoluciones de los patrones de datos. El reentrenamiento automático utiliza pipelines CI/CD adaptados al machine learning para garantizar la relevancia continua del modelo.
Despliegue Continuo para ML
Automatización del proceso de despliegue de modelos de aprendizaje automático en producción después de una validación exitosa en los entornos de prueba. Esta práctica permite entregar rápidamente mejoras de modelos mientras se mantienen salvaguardas rigurosas para la calidad y seguridad.
Pruebas A/B para Modelos
Metodología experimental que permite comparar el rendimiento de varias versiones de modelos en producción dirigiendo una parte del tráfico hacia cada versión. Las pruebas A/B para modelos proporcionan métricas cuantitativas objetivas para seleccionar la mejor versión basada en los indicadores de rendimiento empresarial.
Métricas de Rendimiento del Modelo
Indicadores cuantitativos que permiten evaluar la calidad y eficacia de un modelo de aprendizaje automático, incluyendo la precisión, el recall, el F1-score, el AUC-ROC y las métricas de negocio específicas. Estas medidas son esenciales para la validación, monitoreo y selección de modelos.
Retiro del Modelo
Proceso planificado de puesta fuera de servicio de un modelo de aprendizaje automático que se ha vuelto obsoleto, ineficaz o ha sido reemplazado por una versión más eficiente. El retiro del modelo incluye la migración de dependencias, el archivado de datos y la comunicación a las partes interesadas.
Validación del Modelo
Proceso riguroso de evaluación de un modelo de aprendizaje automático antes de su implementación en producción para verificar su rendimiento, robustez y conformidad con los requisitos empresariales. La validación incluye pruebas con datos holdout, validación cruzada y evaluación de casos límite.
Empaquetado de Modelos
Proceso de preparación de un modelo de aprendizaje automático para el despliegue creando un contenedor autónomo que incluye el modelo, sus dependencias, las configuraciones y las API de inferencia. El empaquetado garantiza la portabilidad y la reproducibilidad del modelo en diferentes entornos de ejecución.
Preparación de Modelos
Entorno intermedio aislado donde los modelos se despliegan para pruebas finales antes de su puesta en producción, reproduciendo fielmente las condiciones operativas. El staging permite validar las integraciones, el rendimiento y los comportamientos del modelo en un contexto realista sin impactar a los usuarios finales.