Notas sobre machine learning
Apuntes técnicos escritos mientras aprendo: evaluación honesta, fugas de datos, despliegue, aplicaciones con LLMs y los errores que hay detrás de cada lección. Salen de los proyectos de esta web, con el código a un clic.
Publicar diez CLIs en PyPI: lo que no te cuentan
Nombres ya ocupados, un limite de proyectos nuevos que no aparece en la documentación y por qué el nombre del paquete no tiene que coincidir con el del comando. Notas de publicar una suite completa de herramientas.
Leer artículo
Del notebook a una API de inferencia que aguanta producción
Un modelo entrenado en un notebook no es un producto. Convertirlo en un servicio que valida su entrada, responde con latencia predecible y se puede monitorizar es el trabajo que separa una demo de un sistema.
Leer artículoMLOps: la diferencia entre un modelo en un notebook y uno en producción
Un notebook es un entorno de exploración, no un sistema. Lo que hace falta para que un modelo funcione en producción, se mantenga solo y no se degrade en silencio.
Leer artículo
Drift: cómo detectar que tu modelo se está degradando
El modelo no cambia. Los datos sí. Y si nadie está mirando, el modelo puede llevar semanas dando predicciones malas sin que nadie lo sepa. Cómo monitorizar drift de forma práctica.
Leer artículo¿Conectamos?
Hablemos: feedback, colaboración o una oportunidad.
Puedes escribirme por un proyecto, una duda técnica, para darme feedback o por unas prácticas o un primer puesto junior. Respondo siempre.
Escríbeme