UD5 · Versionado y ficha técnica del modelo | MP02 · Entrenamiento de modelos de aprendizaje automático

UD5 · Versionado y ficha técnica del modelo

MP02 · Entrenamiento de modelos de aprendizaje automático

Apuntes de IA y Datos

Apuntes de IA y Datos
UD5 · Versionado y ficha técnica del modelo | MP02 · Entrenamiento de modelos de aprendizaje automático

Objetivos de la unidad

Al finalizar esta unidad el alumno será capaz de:

  • Guardar un modelo entrenado en el formato estándar adecuado a su framework
  • Comprender las diferencias entre formatos de serialización y elegir según el entorno de despliegue
  • Implementar un sistema de versionado del modelo vinculado al dataset y al código
  • Garantizar la trazabilidad y la reproducibilidad del proceso completo
  • Elaborar una ficha técnica (model card) completa con todos los campos obligatorios
  • Registrar el modelo en un repositorio de modelos con MLflow Model Registry
Apuntes de IA y Datos
UD5 · Versionado y ficha técnica del modelo | MP02 · Entrenamiento de modelos de aprendizaje automático

Guardado del modelo — Concepto y por qué importa

Serializar un modelo significa convertirlo a un formato que pueda almacenarse en disco y recargarse posteriormente para inferencia o continuar el entrenamiento. Sin un guardado correcto, el trabajo de entrenamiento se pierde al cerrar el proceso.

Requisitos de un guardado profesional:

  • Portabilidad: el modelo puede cargarse en otra máquina o entorno
  • Compatibilidad: el formato es compatible con el entorno de despliegue (API, móvil, edge...)
  • Completitud: incluye arquitectura, pesos, configuración del preprocesador y metadatos
  • Trazabilidad: el archivo guardado está vinculado a la versión del código y los datos que lo generaron
Apuntes de IA y Datos
UD5 · Versionado y ficha técnica del modelo | MP02 · Entrenamiento de modelos de aprendizaje automático

Formatos de serialización — Tabla comparativa

Framework Formato recomendado Extensión Portabilidad Incluye arquitectura
Scikit-learn joblib .joblib Python Sí (objeto completo)
Scikit-learn (alternativo) pickle .pkl Python Sí (objeto completo)
PyTorch (solo pesos) state_dict .pt / .pth Python No (requiere código)
PyTorch (completo) TorchScript .pt Python + C++ Sí
TensorFlow SavedModel directorio Multi-plataforma Sí
Cualquier framework ONNX .onnx Universal Sí
Keras Keras native .keras Python Sí
Apuntes de IA y Datos
UD5 · Versionado y ficha técnica del modelo | MP02 · Entrenamiento de modelos de aprendizaje automático

Guardado con Scikit-learn

import joblib
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import GradientBoostingClassifier
from datetime import datetime

# El pipeline completo incluye el preprocesador y el modelo
pipeline = Pipeline([
    ("scaler", StandardScaler()),
    ("clf", GradientBoostingClassifier(**mejores_params))
])
pipeline.fit(X_train, y_train)

# Guardar con joblib (recomendado para arrays numpy grandes)
ruta_modelo = f"modelos/toxicidad_v1.0_{datetime.now().strftime('%Y%m%d')}.joblib"
joblib.dump(pipeline, ruta_modelo)
print(f"Modelo guardado en: {ruta_modelo}")

# Cargar y verificar
pipeline_cargado = joblib.load(ruta_modelo)
assert pipeline_cargado.score(X_test, y_test) == pipeline.score(X_test, y_test)
print("Verificacion de carga: OK")
Apuntes de IA y Datos
UD5 · Versionado y ficha técnica del modelo | MP02 · Entrenamiento de modelos de aprendizaje automático

Guardado con PyTorch — state_dict y TorchScript

import torch

# Opcion 1: Guardar solo los pesos (state_dict)
# Requiere tener la definicion de la clase disponible al cargar
torch.save(modelo.state_dict(), "modelos/bert_toxicidad_v1.0_pesos.pt")

# Cargar state_dict
modelo_cargado = BertClasificador(num_clases=2)
modelo_cargado.load_state_dict(torch.load("modelos/bert_toxicidad_v1.0_pesos.pt"))
modelo_cargado.eval()

# Opcion 2: TorchScript (no requiere codigo de la clase al cargar)
modelo_script = torch.jit.script(modelo)
modelo_script.save("modelos/bert_toxicidad_v1.0_script.pt")

modelo_script_cargado = torch.jit.load("modelos/bert_toxicidad_v1.0_script.pt")

# Opcion 3: Exportar a ONNX (para despliegue universal)
dummy_input = torch.zeros(1, 128, dtype=torch.long)
torch.onnx.export(modelo, dummy_input, "modelos/bert_toxicidad_v1.0.onnx",
                  input_names=["input_ids"], output_names=["logits"])
Apuntes de IA y Datos
UD5 · Versionado y ficha técnica del modelo | MP02 · Entrenamiento de modelos de aprendizaje automático

Exportación a ONNX — Para despliegue universal

ONNX (Open Neural Network Exchange) es el formato estándar abierto para exportar modelos entre frameworks y entornos de producción. Es el formato recomendado para producción cuando el entorno de inferencia no es Python.

Entrenamiento                Despliegue
─────────────                ──────────
PyTorch  ─┐                  REST API (Python)
TF/Keras ─┼→ Modelo ONNX →  TensorRT (NVIDIA GPU)
Sklearn  ─┘                  ONNX Runtime (CPU/Edge)
                              .NET / Java / C++
                              iOS / Android (CoreML)

# Verificar y optimizar modelo ONNX
import onnx
import onnxruntime as ort

modelo_onnx = onnx.load("modelos/toxicidad_v1.0.onnx")
onnx.checker.check_model(modelo_onnx)

# Ejecutar inferencia con ONNX Runtime
session = ort.InferenceSession("modelos/toxicidad_v1.0.onnx")
resultado = session.run(None, {"input": X_test_numpy})
Apuntes de IA y Datos
UD5 · Versionado y ficha técnica del modelo | MP02 · Entrenamiento de modelos de aprendizaje automático

Versionado del modelo — Concepto y sistema

El versionado garantiza que cada modelo puede reproducirse exactamente y rastrearse hasta su origen (código, datos, configuración). Sin versionado, dos experimentos con el mismo nombre pueden producir modelos completamente diferentes.

Convención de versiones semánticas para modelos:

v{major}.{minor}.{patch}

v1.0.0  → Primera versión en producción
v1.1.0  → Misma arquitectura, nuevo dataset o hiperparámetros ajustados
v1.1.1  → Corrección de bug en el preprocesamiento
v2.0.0  → Cambio de arquitectura o paradigma de entrenamiento

Qué vincular a cada versión:

  • Hash del commit del código de entrenamiento (Git)
  • Versión del dataset (DVC tag o hash del archivo)
  • Archivo de configuración del experimento (JSON/YAML)
  • Métricas de evaluación en el conjunto de test
Apuntes de IA y Datos
UD5 · Versionado y ficha técnica del modelo | MP02 · Entrenamiento de modelos de aprendizaje automático

Versionado con MLflow Model Registry

import mlflow
import mlflow.sklearn

# Configurar servidor MLflow
mlflow.set_tracking_uri("http://localhost:5000")
mlflow.set_experiment("clasificador-toxicidad")

with mlflow.start_run(run_name="v1.0.0") as run:
    # Registrar parametros e hiperparametros
    mlflow.log_params(config_experimento)

    # Registrar metricas
    mlflow.log_metrics({"f1_test": 0.82, "auc_roc": 0.91, "accuracy": 0.88})

    # Guardar el modelo con firma
    firma = mlflow.models.infer_signature(X_train, pipeline.predict(X_train))
    mlflow.sklearn.log_model(
        pipeline, "modelo",
        signature=firma,
        registered_model_name="clasificador-toxicidad"
    )

    # Transicionar a produccion cuando se valida
    cliente = mlflow.tracking.MlflowClient()
    cliente.transition_model_version_stage(
        name="clasificador-toxicidad", version=1, stage="Production"
    )
Apuntes de IA y Datos
UD5 · Versionado y ficha técnica del modelo | MP02 · Entrenamiento de modelos de aprendizaje automático

Trazabilidad completa — Diagrama

Dataset v2.1 (DVC hash: a3f9...)
         |
         v
Código entrenamiento (Git commit: 7b2c4a1)
         |
    Config v1.0.0 (JSON: lr=2e-5, bs=32, seed=42)
         |
         v
Modelo entrenado  →  MLflow run_id: abc123
         |           Métricas: F1=0.82, AUC=0.91
         v
  Modelo registrado: clasificador-toxicidad v1
         |
         v
  Producción (stage: Production)
         |
         v
  Inferencia API  →  Input/Output logged
Apuntes de IA y Datos
UD5 · Versionado y ficha técnica del modelo | MP02 · Entrenamiento de modelos de aprendizaje automático

Ficha técnica del modelo — Concepto (Model Card)

Las fichas técnicas de modelos (Model Cards) fueron propuestas por Google en 2019 como estándar de transparencia. Son el documento oficial que acompaña a cada modelo publicado o desplegado, sirviendo a equipos técnicos, responsables de producto, auditores y reguladores.

Por qué es obligatoria en contextos profesionales:

  • El Reglamento de IA de la UE exige documentación técnica para sistemas de alto riesgo
  • Permite a los usuarios del modelo conocer sus limitaciones antes de aplicarlo
  • Facilita la detección de sesgos y la rendición de cuentas
  • Es la base de la auditoría de sistemas de IA
Apuntes de IA y Datos
UD5 · Versionado y ficha técnica del modelo | MP02 · Entrenamiento de modelos de aprendizaje automático

Ficha técnica — Campos obligatorios (1/2)

Sección Contenido mínimo
Identificación Nombre, versión, fecha, responsable técnico, organización
Descripción Qué hace el modelo, dominio de aplicación, tarea (clasificación/regresión/...)
Arquitectura Familia de modelo, framework, número de parámetros, tipo de entrada/salida
Datos de entrenamiento Dataset usado, versión, tamaño, origen, periodo temporal
Preprocesamiento Pipeline de transformación aplicado al entrenamiento
Partición de datos Proporciones train/val/test, criterio de división
Apuntes de IA y Datos
UD5 · Versionado y ficha técnica del modelo | MP02 · Entrenamiento de modelos de aprendizaje automático

Ficha técnica — Campos obligatorios (2/2)

Sección Contenido mínimo
Métricas de evaluación Métricas en test con valor numérico e intervalo de confianza si aplica
Limitaciones conocidas En qué contextos el modelo no es fiable o no debe usarse
Sesgos detectados Grupos subrepresentados, variables sensibles, disparidad de rendimiento por subgrupo
Casos de uso adecuados Para qué aplicaciones se ha validado el modelo
Casos de uso NO adecuados Usos expresamente desaconsejados
Versión y trazabilidad Git commit, hash de dataset, run_id de MLflow
Apuntes de IA y Datos
UD5 · Versionado y ficha técnica del modelo | MP02 · Entrenamiento de modelos de aprendizaje automático

Ficha técnica — Ejemplo real

# Ficha técnica: Clasificador de Texto Tóxico v1.0.0

## Identificación
- Responsable: Equipo IA — IAD 2026
- Fecha: 2026-06-23 | Versión: 1.0.0

## Descripción
Clasifica comentarios en texto libre como tóxicos o no tóxicos.
Diseñado para plataformas educativas en español de España.

## Métricas en test
- Accuracy: 0.88 | F1: 0.82 | AUC-ROC: 0.91
- F1 en subgrupo "lenguaje informal": 0.71 (rendimiento reducido)

## Limitaciones
- No fiable con ironía, sarcasmo o lenguaje en clave
- Entrenado solo con español peninsular; variantes latinoamericanas no validadas
- Máximo 512 tokens por comentario

## Casos de uso NO adecuados
- Decisiones automáticas sin supervisión humana en procesos disciplinarios
- Moderación de contenido en contextos médicos o legales
Apuntes de IA y Datos
UD5 · Versionado y ficha técnica del modelo | MP02 · Entrenamiento de modelos de aprendizaje automático

Actividad práctica — UD5

Contexto: El clasificador de toxicidad ha alcanzado las métricas requeridas. Es el momento de formalizarlo como un artefacto versionado y documentado.

Tareas:

  1. Guarda el modelo en dos formatos: joblib (si es sklearn) o state_dict + ONNX (si es PyTorch). Verifica que la carga produce el mismo resultado
  2. Define la convención de versión para este modelo y justifica si es v1.0.0 o una versión menor
  3. Configura un experimento en MLflow que registre parámetros, métricas y el modelo con firma de entrada/salida
  4. Elabora la ficha técnica completa del modelo en Markdown con todas las secciones de las tablas anteriores
  5. Describe el flujo de trazabilidad completo: desde el dataset hasta el modelo en producción, con todos los identificadores vinculados
Apuntes de IA y Datos
UD5 · Versionado y ficha técnica del modelo | MP02 · Entrenamiento de modelos de aprendizaje automático

Puntos clave — UD5

  • ONNX es el formato de facto para despliegue multi-plataforma: si el entorno de producción no es Python, exportar siempre a ONNX
  • joblib es superior a pickle para modelos de scikit-learn porque gestiona mejor los arrays de NumPy de gran tamaño
  • El versionado semántico del modelo debe vincularse siempre al commit de código y al hash del dataset, no solo a un número incremental
  • MLflow Model Registry permite transicionar modelos entre etapas (Staging → Production → Archived) con trazabilidad completa
  • La ficha técnica (model card) es un documento de responsabilidad: las limitaciones y sesgos deben declararse explícitamente, no omitirse
  • La trazabilidad completa (dataset → código → configuración → modelo → despliegue) es el estándar mínimo para sistemas de IA en producción
Apuntes de IA y Datos
UD5 · Versionado y ficha técnica del modelo | MP02 · Entrenamiento de modelos de aprendizaje automático

Criterios de evaluación — UD5

Criterio Indicador de logro
Guarda el modelo en formato estándar Serializa correctamente con el formato adecuado al framework y el entorno de despliegue
Versiona el modelo Aplica convención semántica y vincula versión a código, dataset y configuración
Garantiza trazabilidad El modelo puede reproducirse exactamente a partir de los artefactos registrados
Registra en MLflow Configura experiment, log de parámetros, métricas y modelo con firma
Elabora la ficha técnica completa Cubre todas las secciones obligatorias incluyendo limitaciones y sesgos
Apuntes de IA y Datos
UD5 · Versionado y ficha técnica del modelo | MP02 · Entrenamiento de modelos de aprendizaje automático

← UD4 · Evaluación del modelo entrena…  ·  Volver al módulo  ·  UD6 · Trabajo responsable, sostenib… →

Apuntes de IA y Datos

nav-slide