¿Cuáles son las etapas de un pipeline de ML en producción?

Ingesta: traer los datos de sus fuentes, con una foto fija o un intervalo de tiempo.
Validación: comprobar esquema, nulos, rangos y distribuciones; parar si los datos son malos.
Preparación: calcular las features con el mismo código que se usará en el servicio.
Entrenamiento y ajuste: ejecutar registrando el código, la versión de los datos, los parámetros y la semilla.
Evaluación: comparar con una línea base y con el modelo actual sobre un conjunto de reserva fijo, incluyendo los segmentos clave.
Registro: guardar el modelo con sus metadatos y su linaje en el registro de modelos.
Despliegue y monitorización: lanzar poco a poco, vigilar el servicio, las entradas, las predicciones y la calidad, y reentrenar o hacer rollback cuando haga falta.