Monetizing Machine Learning

Guía práctica orientada a salvar la brecha existente entre los cuadernos de experimentación de ciencia de datos y la creación de productos web comerciales viables, convirtiendo modelos de machine learning desarrollados en Python en aplicaciones alojadas en la nube sin servidor (serverless). Publicada en 2018, está dirigida a científicos de datos, desarrolladores de Python y emprendedores tecnológicos de nivel intermedio que saben entrenar algoritmos predictivos pero carecen de conocimientos de ingeniería web para empaquetarlos, ponerlos en producción y monetizarlos sin incurrir en costes fijos de infraestructura.

Cada capítulo sigue una rigurosa metodología en tres fases: entrenamiento del modelo de datos, diseño de la interfaz web local y despliegue final en la nube. A nivel tecnológico, enseña a entrenar modelos predictivos con Scikit-learn (regresión lineal, regresión logística, Naive Bayes, Gradient Boosting y descomposición en valores singulares SVD) y TensorFlow; a construir interfaces interactivas y asíncronas con Flask, HTML5, CSS3, JavaScript y Ajax; a integrar servicios externos como Google Maps API para geolocalización, OpenWeather API para datos climáticos en tiempo real y Google Analytics para métricas de tráfico; y a orquestar el despliegue serverless en Amazon Web Services (AWS Lambda y S3), Microsoft Azure (Functions y Web Apps), Google Cloud Platform (Cloud Functions y App Engine) y PythonAnywhere con MySQL. Además, cubre aspectos de negocio como pruebas A/B, pasarelas de pago con tarjeta, donaciones y la implementación de muros de pago por suscripción mediante Memberful.

El núcleo del libro consiste en la creación y publicación de aplicaciones web operativas: un canvas interactivo donde el usuario dibuja dígitos y un modelo en GCP los reconoce, un servicio de predicciones meteorológicas en AWS con Naive Bayes, un cuadro de mando georreferenciado en Azure sobre Google Maps y una plataforma web con suscripciones y contenidos de pago. Su gran mérito es enseñar cómo construir micro-SaaS y monetizar modelos de inteligencia artificial con costes de servidor casi nulos. Deja fuera prácticas avanzadas de MLOps automatizado (CI/CD, Kubernetes o monitoreo de data drift), pero ofrece una visión de extremo a extremo sumamente valiosa para lanzar proyectos al mercado con rapidez.