Hands-On MLOps on Azure
Banibrata De
- Editorial
- Packt
- Año
- 2025
- Páginas
- ~366
- Nivel
- Intermedio
De qué trata
Guía especializada publicada por Packt en la que Banibrata De expone cómo diseñar e implementar ciclos de vida operativos y automatizados para modelos de aprendizaje automático y LLMs sobre la plataforma Microsoft Azure. Está dirigida a ingenieros de machine learning, desarrolladores de software, especialistas en DevOps y científicos de datos con un nivel intermedio que ya programan en Python y entienden las bases del modelado predictivo, pero necesitan estructurar pipelines reproducibles, gobernados y preparados para producción empresarial.
El texto se articula en torno a la versión 2 de Azure Machine Learning (Azure ML CLI v2 y Python SDK v2), complementada con MLflow para el seguimiento de métricas y registro de modelos. Explica el diseño de pipelines modulares de entrenamiento, el empaquetado de artefactos con contenedores Docker en Azure Container Registry (ACR), y las opciones de despliegue en tiempo real y por lotes (Managed Online Endpoints y Batch Endpoints). También aborda la automatización CI/CD con GitHub Actions, el gobierno y linaje de datos con Azure Purview y registros de Azure ML, el monitoreo continuo de data drift con Azure Monitor y Application Insights, y un módulo clave sobre LLMOps que integra Azure OpenAI, orquestación con Prompt Flow y evaluación automatizada de respuestas en arquitecturas RAG.
A lo largo de los capítulos, el lector implementa un pipeline integral de integración y entrega continua (CI/CD) que automatiza el entrenamiento y despliegue de un modelo en endpoints administrados usando GitHub Actions y la CLI de Azure ML, además de un flujo de LLMOps con Prompt Flow para evaluar alucinaciones y calidad en modelos de lenguaje generativo. El valor diferencial del libro es su orientación práctica hacia la infraestructura como código y la gobernanza estricta en la nube de Microsoft, sin quedarse en meros notebooks experimentales. No profundiza en la matemática de los algoritmos de ML ni en detalles frontend, requiriendo una suscripción activa de Azure para ejecutar los laboratorios.
- Azure Machine Learning
- Azure ML CLI v2
- MLOps
- GitHub Actions
- CI/CD para ML
- MLflow
- Managed Online Endpoints
- LLMOps
- Prompt Flow
- Monitoreo de Data Drift
- Azure Container Registry
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Pipeline automatizado de CI/CD para modelos con GitHub Actions y Azure ML
Flujo que versiona código y datos, entrena modelos predictivos, registra artefactos en Azure ML Registry y despliega automáticamente servicios de inferencia en Managed Online Endpoints.
Flujo de trabajo de LLMOps y evaluación con Prompt Flow
Pipeline para orquestar modelos de Azure OpenAI Service y validar la precisión, seguridad y ausencia de alucinaciones en aplicaciones RAG antes de su paso a producción.
