Description
Ya le armaste el modelo que predice valores de propiedades a tu primo el de la inmobiliaria y, anda barbaro (en tu computadora), ahora, como hacemos para llevarle eso a miles de usuarios y llenarnos de plata?
Esta no es una charla de Machine Learning. Durante esta charla voy a hablar sobre lo que pasa despues de que obtuviste los datos, hiciste feature engineering, diseñaste tus algoritmos, elegiste herramientas, ejecutaste 43 experimentos y llegaste a resultados que mejoraron tu baseline. Vamos a poner el eje en la ingenieria necesaria para llevar nuestras predicciones a los usuarios y no morir en el intento. El plan es charlar de los siguientes temas:
- Como estrucurar el codigo de un predictor
- Como y por que hacerlo pip instalable (aunque lo vayas a tener en un repo privado)
- APIs que, por que y para que?
- Produccion no siempre es web, que hacer en esos casos
- El desafio de tener que predecir on demand
- Mas alla de precision y recall, las otras performances que importan
- Modelos entrenados, serializacion, y deserializacion
- Monitorear? Que, como, por que?
- Un ejemplo simple de una API REST con Flask para devolver predicciones de un modelo pre-entrenado
- Extra: Tips para mejorar tus tiempos de respuesta