Construye un pipeline CI/CD de ML para una insurtech de Ciudad de México
Visión general
De qué trata este proyecto.
Recibirás el código de un modelo de scoring de suscripción (XGBoost) y acceso a un repositorio Git, GitHub Actions y un clúster de pruebas. Implementa: (1) pipeline de entrenamiento parametrizado registrado en MLflow, (2) tests de validación que bloqueen el despliegue si el AUC cae más de 1 punto, (3) despliegue canary al 5 % de tráfico, (4) rollback automático si la tasa de error sube. Documenta el pipeline para que el equipo de plataforma pueda replicarlo a los otros 7 modelos.
El Briefing
Lo que harás y lo que demostrarás.
Construir un pipeline CI/CD reproducible que automatice entrenamiento, validación, canary y rollback, listo para replicar a los 8 modelos de suscripción.
Earning criteria — what you'll demonstrate
- Diseñar e implementar CI/CD específico para ML, no solo software tradicional
- Construir gates de validación basados en métricas, no en pasar tests unitarios solamente
- Implementar canary release y rollback automático para ML
- Documentar un pipeline para que otro equipo lo replique sin asistencia
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero/a MLOps
Construir un pipeline CI/CD para ML con canary y rollback automático es la competencia central de un MLOps engineer junior en cualquier insurtech o fintech moderna.
Este proyecto afina
- ci-cd
- model-deployment
- mlflow
Ingeniero/a de Machine Learning
Saber llevar tu propio modelo a producción con gates de validación rigurosos diferencia al MLE moderno del científico de datos que entrega cuadernos.
Este proyecto afina
- model-deployment
- production-ml
- ci-cd
Ingeniero/a de IA
El trabajo de glue engineering entre código, modelo, registro y plataforma es exactamente lo que define al AI engineer en producto.
Este proyecto afina
- production-ml
- canary-release
- github-actions