La trampa de la divergencia entre entrenamiento y servicio
Cuando los datos usados en producción dejan de coincidir con los datos de entrenamiento.
La trampa de la divergencia entre entrenamiento y servicio es una lección gratuita de MLOps Academy en CoddyKit. Esta es la lección 1 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 MLOps Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de MLOps Academy incluye 4 lecciones en total.
Partes de esta lección aún no han sido traducidas y se muestran en inglés.
What Skew Means
Training-serving skew is when the data your model sees in production no longer matches the data it learned from in training. 📉
Why It Hurts
Your model assumes serving data looks like training data. When that assumption breaks, predictions quietly get worse even though nothing crashes. This is skew.
Different Code Paths
A classic cause is two code paths: one script preps training data, a different one preps live requests. Tiny differences between them create skew.
A Mismatch You Can See
Here training scales by one mean but serving uses another. The model now receives numbers it never trained on, so its scaling is off.
# training
x = (raw - 50.0) / 10.0
# serving (wrong!)
x = (raw - 0.0) / 10.0Stale Features
Skew also appears when a feature is fresh at training but stale at serving, like an average computed yesterday instead of right now.
The Same Bug, Both Sides
The safest fix is sharing one function for both paths. If a bug exists, at least it exists identically in training and serving, so no skew creeps in.
def make_features(raw):
return (raw - 50.0) / 10.0
# call from training AND servingSchema Skew
Schema skew happens when a column changes type or name between training and serving, like an int becoming a string. The model silently misreads it.
Feature Order Matters
Many models read features by position, not by name. Swap two columns at serving time and you get a quiet, dangerous order mismatch.
Catch It With Checks
A simple guard: assert the serving input has the same columns the model was trained on. Catch skew at the door, not in the dashboard.
assert list(request.columns) == model.feature_names_in_.tolist()Feature Stores Help
A feature store computes features once and serves them to both training and inference, which removes a whole class of skew bugs by design.
Log and Compare
Log a sample of real serving inputs and compare their stats to your training set. A gap in means or ranges is an early skew warning.
Quick Check
Which choice best removes training-serving skew?
Recap
Skew is silent mismatch between training and serving data. Share feature code, check schemas, and log live inputs to keep your model honest. ✅
Preguntas frecuentes
¿La lección «La trampa de la divergencia entre entrenamiento y servicio» es gratis?
Sí — el texto completo de «La trampa de la divergencia entre entrenamiento y servicio» 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 MLOps Academy, actualiza a CoddyKit PRO. El curso de MLOps Academy incluye 4 lecciones en total.
¿Qué aprenderé en «La trampa de la divergencia entre entrenamiento y servicio»?
Cuando los datos usados en producción dejan de coincidir con los datos de entrenamiento. Practicas MLOps Academy 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 MLOps Academy?
No se requiere experiencia previa. MLOps Academy 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 1 de 4.
¿Cuánto tiempo toma la lección «La trampa de la divergencia entre entrenamiento y servicio»?
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 MLOps Academy?
Sí. Cada lección de MLOps Academy 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
- La trampa de la divergencia entre entrenamiento y servicio
- Fallos silenciosos: sin errores, respuestas incorrectas
- Cuando el mundo cambia bajo su modelo
- El problema de la reproducibilidad