Construye un sistema de monitorización de drift para una fintech LATAM
Visión general
De qué trata este proyecto.
Recibirás predicciones históricas y features de 14 modelos durante 6 meses. Implementa un servicio en Python que: (1) calcule PSI (Population Stability Index — índice de estabilidad poblacional) y KS (Kolmogorov-Smirnov) por feature y por mes, (2) detecte drift en la distribución de predicciones, (3) envíe alertas a Slack vía webhook. Define umbrales razonables y documenta cómo se ajustan. Entrega el servicio funcionando sobre un caso reproducible y un manual de operación de 2 páginas.
El Briefing
Lo que harás y lo que demostrarás.
Construir un servicio reproducible que detecte drift de features y de predicciones en los 14 modelos y alerte al equipo antes de que el negocio lo note.
Earning criteria — what you'll demonstrate
- Implementar métricas estándar de detección de drift en producción
- Diseñar un sistema de alertas con umbrales defendibles
- Construir observabilidad para sistemas de ML en producción
- Documentar para que el equipo de guardia pueda operar el sistema
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 observabilidad para 14 modelos en producción con alertas accionables es trabajo cotidiano de MLOps en cualquier fintech LATAM con scoring activo.
Este proyecto afina
- model-monitoring
- data-drift
- production-ml
Ingeniero/a de Machine Learning
Saber detectar y reaccionar al drift es parte ineludible del trabajo de un MLE que mantiene modelos vivos en producción.
Este proyecto afina
- model-monitoring
- python
- production-ml
Ingeniero/a de Datos
Diseñar el pipeline de cálculo, almacenamiento y alertas sobre métricas de calidad de datos es la frontera donde el data engineering encuentra el MLOps.
Este proyecto afina
- observability
- alerting
- python