En mi dataset funcionaba - monitorizando modelos de machine learning
10-08, 15:30–16:05 (Europe/London), Bollullo (Aula Magna)
Language: Español

En la actualidad los modelos de machine learning se han consolidado como parte clave de la toma de decisiones en diversas industrias. Aunque la evaluación de estos modelos en datos no vistos es un paso esencial antes de su implementación, esto no es suficiente para desplegar un modelo y olvidarse de él. Una vez desplegados, fenómenos como el data drift pueden deteriorar la calidad de las predicciones, ocasionando posibles pérdidas de negocio. Por ello, la monitorización de los modelos es fundamental.

En esta charla abordaremos las diferentes causas del deterioro de los modelos y las implicaciones de no abordar el problema a tiempo. Explicaremos los diferentes tipos de data drift, las técnicas para detectarlo y la importancia de monitorizar tanto los datos de entrada como la calidad de las predicciones, incluyendo sus distribuciones. También discutiremos como la monitorización nos permite tomar mejores decisiones a la hora de reentrenar.

Utilizando Python y una variedad de herramientas de código abierto, mostraremos ejemplos prácticos de cómo implementar una estrategia de monitoreo de modelos en producción, asegurando que los modelos de ML se mantengan confiables, precisos y valiosos para la toma de decisiones en cualquier entorno empresarial.


Proposal Level

Básica (no hacen falta conocimientos previos)

Topic

Machine learning, stats

See also: Diapositivas de la charla (708.2 KB)

Soy ingeniero informático con formación en Big Data e Inteligencia Artificial. A lo largo de mi carrera profesional he trabajado como investigador en el ámbito del machine learning y como científico de datos en diferentes sectores.

Data Scientist en Decide4AI.

Campos de interés:
Computer Vision
Deep Learning
Time Series