Curso 10 · Unidad 3

Datos como infraestructura

4 hrs · Contratos, train/serve skew, bucles — UAI

Tesis

El dato en producción no es el dataset del notebook

Sin contrato de datos heredás la volatilidad aguas arriba.
Train/serve skew es falla silenciosa clásica.
Etiquetas tardías y bucles de feedback son diseño.
Stack: Git + Mermaid/draw.io — sin cloud de pago.

Al finalizar

Resultados de aprendizaje

Redactar un contrato de datos (esquema, semántica, SLAs).
Prevenir desalineación entrenamiento–servicio.
Diseñar captura de etiquetas y reserva no intervenida.

Bloque 1 · 60 min

Contratos

Teoría

Datos como primer ciudadano

Sambasivan et al. (2021): “data cascades” — fallas de datos se componen y llegan tarde.
Huyen (2022), caps. 3–4: contratos, linaje y train/serve skew como diseño.
Breck et al. (2017): el ML Test Score exige tests de datos, no solo de código.

Especificación

Qué acordar productor ↔ consumidor

Esquema, semántica, frecuencia, completitud.
Compromisos de estabilidad y versionado.
Validación en el punto de entrada.
Linaje y trazabilidad.

Definiciones

Léxico de datos en producción

Contrato de datos — acuerdo productor↔consumidor sobre esquema, semántica, frecuencia y SLAs.
Train/serve skew — la feature en entrenamiento no es la misma (código o dato) que en servicio.
Data cascade — falla temprana de datos que se compone aguas abajo y se detecta tarde (Sambasivan et al., 2021).
Reserva no intervenida — decisiones dejadas fuera del bucle para medir efecto real.

Concepto

La cascada llega tarde

Sin contrato en la fuente, el producto hereda la volatilidad.

Bloque 2 · 60 min

Train/serve

Skew

Misma feature, dos mundos

Código o datos distintos entre entrenamiento y servicio = falla silenciosa.

Formas

Cómo aparece el desalineamiento

Dos bases de código para features.
Features no disponibles en inferencia.
Joins con fugas temporales.
Arquitecturas que unifican el cálculo.

Bloque 3 · 60 min

Feedback

Temporalidad

Etiquetas y bucles

Etiquetas tardías, parciales, proxy.
El sistema cambia la distribución que observa.
Reserva de decisiones no intervenidas.
Medir el efecto del bucle es decisión de diseño.

Feedback

El bucle mueve la distribución

Etiqueta tardía + intervención: diseñá reserva no intervenida.

Bloque 4 · 60 min

Taller

Entregable

Sección de datos del design doc

Contratos del caso propio (p. ej. feeds de precios o tickets en retail Chile).
Puntos de desalineación potencial train/serve.
Versionar en Git; diagramar con Mermaid/draw.io.
Declarar supuestos: sin inventar volúmenes ni SLAs.

Lecturas

Para profundizar

Sambasivan et al. (2021) — sambasivan2021datacascades
Breck et al. (2017) — breck2017mltest
Huyen (2022), caps. 3–4 — huyen2022designing

Cierre

Preguntas

Siguiente: interacción humano-IA (Unidad 4)