MLOps en Producción · Lección 10
¿Por qué validar los datos de entrada antes de entrenar o predecir?
Para detectar valores fuera de rango, columnas faltantes o cambios de esquema que degradarían el modelo
Para acelerar el entrenamiento sin otro motivo
Porque los modelos nunca fallan con datos malos
Solo se hace para cumplir con el diseño gráfico
MLOps en Producción · Lección 10
Completa el código
Herramientas como Great
Revisa: por ejemplo, Great Expectations.
MLOps en Producción · Lección 10
¿Por qué es mejor fallar pronto ante datos inválidos que dejarlos entrar al pipeline?
Pista: un dato malo detectado al inicio es fácil de localizar; si entra al entrenamiento produce un modelo defectuoso difícil de diagnosticar.
✓
¡Lección completada!
Validación de datos y esquemas
0
XP ganado
3
Vidas restantes