Registro y versionado de modelos
Registro de modelos, puesta en etapas (Staging/Production), alias de modelos y carga por versión.
Registro y versionado de modelos es una lección gratuita de Learn AI with Python en CoddyKit. Esta es la lección 2 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Learn AI with Python, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Learn AI with Python incluye 4 lecciones en total.
¿Qué es el registro de modelos?
El MLflow Model Registry es un almacén central para sus modelos. Realiza el seguimiento de los modelos con nombre, sus versiones y sus etapas del ciclo de vida, para que el equipo siempre sepa qué modelo está en producción y cómo llegó allí.
Por qué es importante el versionado
Los modelos se vuelven a entrenar constantemente. El versionado asigna un número a cada nuevo entrenamiento, permite revertirlo de inmediato si un modelo nuevo se comporta mal y vincula cada versión con la ejecución que la produjo para ofrecer una trazabilidad completa.
Registro de un modelo
mlflow.register_model recibe el URI de un modelo registrado y un nombre, y crea la versión 1 (o la siguiente versión) en el registro.
import mlflow
result = mlflow.register_model(
model_uri="runs:/<run_id>/model",
name="churn_classifier"
)
print("Version:", result.version)Registro durante el guardado
También puede registrar el modelo directamente al guardarlo pasando registered_model_name, lo que crea automáticamente una nueva versión en cada ejecución.
mlflow.sklearn.log_model(
model,
artifact_path="model",
registered_model_name="churn_classifier"
)Etapas del ciclo de vida
Cada versión pasa por varias etapas: None -> Staging (pruebas) -> Production (activa) -> Archived. Las etapas separan «qué versión» de «cuál está ofreciendo el servicio», por lo que la promoción es un cambio de metadatos, no una nueva implementación.
MlflowClient
Las operaciones programáticas del registro se realizan mediante MlflowClient.
from mlflow.tracking import MlflowClient
client = MlflowClient()Transición entre etapas
transition_model_version_stage promociona una versión. Muévala a Staging para realizar el control de calidad y, una vez validada, a Production.
client.transition_model_version_stage(
name="churn_classifier",
version=3,
stage="Production"
)Carga por etapa
El código que ofrece el servicio puede cargar «lo que esté en Production» sin codificar directamente un número de versión, de modo que promocionar una nueva versión actualiza al instante lo que se ofrece.
import mlflow.pyfunc
model = mlflow.pyfunc.load_model(
"models:/churn_classifier/Production"
)Alias de modelos (MLflow 2.x)
MLflow 2.x introdujo los alias: punteros con nombre modificables, como @champion o @challenger, asociados a una versión. Son más flexibles que los nombres de etapa fijos y constituyen el enfoque moderno recomendado.
client.set_registered_model_alias(
name="churn_classifier",
alias="champion",
version=3
)Carga por alias
Haga referencia a un modelo mediante su alias con la sintaxis @, de modo que reasignar el alias a una nueva versión redirija al instante a todos los consumidores.
model = mlflow.pyfunc.load_model(
"models:/churn_classifier@champion"
)Etapas frente a alias
- Etapas: conjunto fijo (Staging/Production/Archived), ciclo de vida sencillo.
- Alias: cualquier nombre personalizado, varios por modelo, recomendados en MLflow 2.x.
Los proyectos nuevos deberían preferir los alias por su flexibilidad.
Comprobación rápida
Ponga a prueba sus conocimientos sobre el registro de modelos.
Resumen
Ha utilizado el MLflow Model Registry: register_model crea versiones, MlflowClient.transition_model_version_stage las mueve entre Staging y Production, y puede cargar los modelos por etapa o mediante un alias (MLflow 2.x), de modo que el servicio se actualiza sin cambiar el código. Siguiente tema: creación de pipelines reproducibles.
Preguntas frecuentes
¿La lección «Registro y versionado de modelos» es gratis?
Sí — el texto completo de «Registro y versionado de modelos» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Learn AI with Python, actualiza a CoddyKit PRO. El curso de Learn AI with Python incluye 4 lecciones en total.
¿Qué aprenderé en «Registro y versionado de modelos»?
Registro de modelos, puesta en etapas (Staging/Production), alias de modelos y carga por versión. Practicas Learn AI with Python con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Learn AI with Python?
No se requiere experiencia previa. Learn AI with Python en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 2 de 4.
¿Cuánto tiempo toma la lección «Registro y versionado de modelos»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Learn AI with Python?
Sí. Cada lección de Learn AI with Python incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Seguimiento de experimentos con MLflow
- Registro y versionado de modelos
- Construcción de pipelines de ML reproducibles
- Supervisión del rendimiento de modelos en producción