NEW
Font size
WorksheetsPreguntas de Evaluación (Parte 1)
Total questions: 17
Worksheet time: 6mins
¿Cuál es uno de los principales retos al llevar modelos de ML a producción?
Falta de datos históricos
Diferencias entre entornos de desarrollo y producción
No saber programar
Uso de hardware muy costoso
¿Qué busca una organización Data Driven?
Hacer reportes manuales
Tomar decisiones guiadas por intuición
Integrar datos para decisiones precisas
Evitar automatización
¿Cuál es una desventaja del despliegue batch?
Alto costo computacional
No ofrece resultados en tiempo real
Usa demasiados recursos
No se puede automatizar
¿Cuál es un ejemplo típico de despliegue en tiempo real?
Cierre contable
Predicción de demanda
Motor antifraude de tarjetas
Reporte mensual de clientes
El patrón híbrido combina…
Batch + tiempo real
API + dashboard
Entrenamiento + almacenamiento
Pruebas + monitoreo
¿Qué hace la API antes de enviar la respuesta al usuario?
Entrena un modelo nuevo
Llama al modelo para procesar la información
Solicita más datos
Guarda la respuesta en BigQuery
¿Qué prueban las pruebas de carga?
Que los datos estén limpios
Que el modelo generalice bien
La capacidad del sistema ante múltiples usuarios
El hardware del servidor
¿Cuál de estas es una ventaja del despliegue batch?
Respuesta inmediata
Menor costo computacional
Mejor experiencia de usuario
Mayor complejidad
¿Cuál es el corazón de MLOps según el informe?
Entrenamiento
Exploración de datos
Despliegue
Monitoreo
¿Qué describe mejor MLOps para despliegue de modelos?
Prácticas para llevar modelos a producción de forma fiable
Técnicas solo para limpiar datos en hojas de cálculo
Un lenguaje de programación para redes neuronales avanzadas
Un servidor web diseñado para alojar dashboards empresariales
¿Cuál es un objetivo clave de MLOps al operar modelos?
Automatizar y monitorear ciclos de vida de modelos
Aumentar el tamaño de los datasets infinitamente
Reemplazar por completo a los científicos de datos
Evitar el uso de APIs en aplicaciones modernas
En una analogía común, una API se compara con:
Un menú de restaurante que describe servicios disponibles
Una caja fuerte sin instrucciones ni cerradura
Un almacén físico sin catálogo ni entradas
Un cable de alimentación que solo transporta electricidad
¿Qué ventaja aporta usar APIs al integrar un modelo en una app?
Estandariza cómo se solicitan predicciones de forma segura
Evita la documentación y las pruebas por completo
Permite que el modelo se ejecute sin servidores nunca
Obliga a reescribir el modelo en cada lenguaje
“El corazón de MLOps” suele enfatizar:
Colaboración, automatización y confiabilidad end‑to‑end
Solo experimentar rápido sin control de versiones
Optimizar únicamente el entrenamiento local aislado
Eliminar cualquier monitoreo posterior al despliegue
Al diseñar un endpoint de API para un modelo, lo más importante es:
Definir contratos claros de entrada y salida
Exponer el servidor sin autenticación alguna
Aceptar cualquier formato sin validación alguna
Responder con mensajes distintos cada petición
Una meta transversal del corazón de MLOps es:
Reducir fricción entre ciencia de datos y operaciones
Maximizar silo de trabajo y documentación mínima
Evitar pruebas automatizadas en pipelines críticos
Impedir auditoría de experimentos y cambios
En términos de calidad, una API bien diseñada debe:
Ser versionada, documentada y testeada
Ser secreta, mutable e impredecible
Ser enorme, sin límites de petición
Ser opaca, sin códigos de estado
