Gestión completa del ciclo de vida de modelos
Desde el registro de modelos hasta despliegue en producción con monitoreo. Rollouts canary, swaps blue-green, detección de drift, alertas y re-entrenamiento automático — todo integrado.
8 estrategias de despliegue para cada escenario
Desde rollouts canary hasta pruebas A/B. Despliega modelos de forma segura con rollback automático y gestión de tráfico.
Despliegue Canary
Enruta un pequeño porcentaje de tráfico al nuevo modelo. Aumenta gradualmente a medida que las métricas de salud confirman un comportamiento estable. Rollback automático ante degradación.
Swap Blue-Green
Ejecuta dos entornos idénticos en paralelo. Cambia el tráfico instantáneamente con cero tiempo de inactividad. Rollback instantáneo al intercambiar de vuelta.
Despliegue Shadow
El nuevo modelo recibe tráfico de producción en paralelo sin servir respuestas. Compara salidas con el modelo activo sin riesgo.
Pruebas A/B
Divide el tráfico entre variantes de modelos con ratios configurables. Prueba de significancia estadística y declaración automática de ganador.
Rollout Progresivo
Rollout por etapas con gates de salud. Define porcentajes de tráfico y criterios de validación para cada etapa antes de continuar.
Staging a Producción
Despliega a staging para validación. Promueve a producción tras aprobación manual o automática con pista de auditoría completa.
Key Capabilities
Everything you need to get the most out of this module.
Registro de Modelos
Versiona, gestiona etapas y rastrea metadatos de cada modelo. Linaje completo desde datos hasta despliegue.
Estrategias de Despliegue
Estrategias canary, blue-green, shadow y A/B con gestión automática de tráfico.
Monitoreo y Drift
Tests estadísticos detectan drift de datos y concepto. Seguimiento de rendimiento con alertas configurables.
Re-entrenamiento Automático
Pipelines de re-entrenamiento activados por drift, programados o basados en rendimiento que mantienen los modelos actualizados.
Detecta problemas antes de que impacten producción
Monitoreo integral con detección de drift, seguimiento de latencia y alertas multi-canal.
Detección de Drift (PSI)
El Índice de Estabilidad Poblacional rastrea desplazamientos en la distribución de features y predicciones. Los umbrales configurables disparan alertas o re-entrenamiento.
Seguimiento de Precisión
Monitoreo continuo del rendimiento contra datos etiquetados. Detecta el drift de concepto antes de que impacte los resultados de negocio.
Monitoreo de Latencia
Rastrea latencia de inferencia p50, p95 y p99. Alerta ante degradación para detectar problemas de infraestructura tempranamente.
Logging de Inferencia
Cada predicción registrada con features de entrada, salida, latencia y metadatos. Auditoría a nivel de solicitud completa para cumplimiento.
Alertas Multi-Canal
Canales Slack, Email y Webhook. Períodos de cooldown configurables, niveles de severidad (info, advertencia, crítico) y reglas de escalada.
Re-entrenamiento Automático
Re-entrenamiento disparado por drift, basado en programación o en rendimiento. Promoción automática cuando la validación supera los umbrales de mejora.
Despliega y monitorea mediante código
Ciclo de vida de despliegue completo desde el SDK — crea, promueve, predice, monitorea drift y configura re-entrenamiento automático.
from coreplexml import CorePlexMLClient
client = CorePlexMLClient(
base_url="https://api.coreplexml.io",
api_key="sk_your_api_key"
)
# Deploy model to staging
deployment = client.deployments.create(
project_id="proj_abc",
model_id="mod_best_xgb",
name="fraud-detector-v2",
stage="staging"
)
# Promote to production
client.deployments.promote(deployment["id"])
# Real-time predictions
result = client.deployments.predict(
deployment_id=deployment["id"],
inputs={"amount": 9500, "merchant": "electronics", "hour": 2}
)
print(f"Fraud probability: {result['probability']:.2%}")
# Check drift metrics
drift = client.deployments.drift(deployment["id"])
print(f"PSI: {drift['psi']:.4f}")
# Set up auto-retraining on drift
client.retraining.create_policy(
deployment_id=deployment["id"],
trigger="drift",
threshold=0.15,
auto_promote=True
)API de MLOps
160+ endpoints para despliegues, registro de modelos, estrategias canary/blue-green/shadow, pruebas A/B, monitoreo, alertas y re-entrenamiento automático.
/api/mlops/projects/{id}/deploymentsCrear despliegue (staging o producción)
/api/mlops/deployments/{id}/predictEndpoint de inferencia en tiempo real
/api/mlops/deployments/{id}/promotePromover staging a producción
/api/mlops/deployments/{id}/driftMétricas de detección de drift (PSI, drift de datos, drift de concepto)
/api/mlops/deployments/{id}/canaryIniciar despliegue canary con etapas de tráfico y rollback automático
/api/mlops/deployments/{id}/blue-greenCrear despliegue blue-green con capacidad de swap instantáneo
/api/mlops/deployments/{id}/shadowIniciar despliegue shadow para validación pasiva del modelo
/api/mlops/ab-testsCrear prueba A/B entre variantes de modelos
/api/mlops/ab-tests/{id}/resultsResultados estadísticos con intervalos de confianza
/api/mlops/registry/versionsCrear versión en el registro de modelos con versionado semántico
/api/mlops/registry/versions/{id}/stageTransicionar etapa de versión (dev → staging → prod → archivado)
/api/mlops/retraining-policiesConfigurar disparadores de re-entrenamiento automático (programación, drift, rendimiento)
/api/mlops/projects/{id}/alert-rulesCrear reglas de alerta de monitoreo con severidad y cooldown
/api/mlops/notification-channelsConfigurar canales de notificación Slack, email o webhook
/api/predictions/batchIniciar trabajo de predicción por lotes con carga de CSV
/ws/predictions/{id}/streamWebSocket streaming para progreso de inferencia por lotes en tiempo real
Despliegues, monitoreo y análisis
Lista de despliegues con etapas staging y producción
ML Studio para análisis de escenarios
7 tipos de reporte con generación en un clic
¿Listo para empezar?
Empieza a construir con CorePlexML hoy. Nivel gratuito disponible — no se requiere tarjeta de crédito.