Daniel Díaz - Proyecto de MLOps: Estimador de precio inmobiliario end-to-end.

En este video presento una solución completa de MLOps para estimar precios de propiedades inmobiliarias, cubriendo todo el ciclo de vida del modelo en producción. Se muestra: Organización del repositorio y arquitectura general CI con GitHub Actions para construir y versionar imágenes Docker por SHA - GitOps con Argo CD para despliegue y reconciliación automática en Kubernetes Orquestación con Airflow y DAG con decisión automática de reentrenamiento Detección de schema validation, nuevas categorías y data drift con PSI Experiment tracking y Model Registry en MLflow Promoción condicional del modelo champion Serving del modelo con FastAPI Interfaz de usuario en Streamlit Historial auditable de entrenamiento Prueba de carga con Locust y monitoreo con Prometheus y Grafana Tecnologías usadas: Python, Airflow, MLflow, FastAPI, Streamlit, PostgreSQL, Docker, Kubernetes, Argo CD, GitHub Actions, Prometheus, Grafana y Locust.