MLflow es una plataforma de código abierto para gestionar todo el ciclo de vida de los modelos de machine learning, presentada originalmente por Databricks en 2018. Registra experimentos con sus parámetros y métricas, gestiona versiones de modelos en un registro y facilita el despliegue. Las versiones más recientes también permiten trazar y evaluar aplicaciones basadas en modelos de lenguaje. Así puedes saber con qué datos y ajustes se creó cada modelo.
Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.
Iniciar demoUn pipeline de machine learning es una secuencia definida de pasos que convierte datos brutos en un modelo listo para usar: recopilar y limpiar datos, preparar variables, entrenar, evaluar, desplegar y supervisar. Automatizar estos pasos hace que los resultados sean reproducibles y permite procesar datos nuevos con poco esfuerzo. Un comercio, por ejemplo, puede reentrenar y probar cada semana su modelo de previsión de ventas con las cifras más recientes.
Kubeflow es una plataforma de código abierto para ejecutar flujos de aprendizaje automático en Kubernetes, desde la preparación de datos hasta el entrenamiento, la búsqueda de hiperparámetros y el despliegue de modelos. Iniciado originalmente por Google, el proyecto forma parte de la Cloud Native Computing Foundation, donde alcanzó el estado «graduated» en agosto de 2026 (a fecha de octubre de 2026). Está pensado sobre todo para equipos que entrenan modelos propios a gran escala en infraestructura propia o en la nube.
Amazon SageMaker es el servicio en la nube de Amazon Web Services (AWS) para desarrollar, entrenar y desplegar modelos de aprendizaje automático. A finales de 2024 el servicio original pasó a llamarse «Amazon SageMaker AI»; desde entonces, «Amazon SageMaker» designa una plataforma más amplia de datos, analítica e IA con la interfaz SageMaker Unified Studio (a octubre de 2026). Lo utilizan sobre todo equipos de ciencia de datos que operan modelos en la infraestructura de AWS.
La deriva del modelo (model drift) es la pérdida gradual de calidad predictiva de un modelo en producción porque la realidad cambia respecto a los datos de entrenamiento. Se distingue entre cambios en los datos de entrada (data drift) y cambios en la relación entre entradas y resultado (concept drift). Ejemplo: un modelo de detección de fraude deja de reconocer nuevos tipos de fraude. Los remedios son la supervisión continua de métricas y el reentrenamiento periódico.
