Este curso conecta las prácticas modernas de DevOps con el ciclo de vida de machine learning. El objetivo es entregar software, infraestructura y modelos de forma repetible, observable y segura, reduciendo el trabajo manual y los cambios de alto riesgo.
La ruta toma AZ-400 como eje e incorpora las capacidades vigentes de operacionalización de ML e IA generativa de AI-300, que reemplaza el antiguo DP-100. Se trabajan repositorios, pipelines, IaC, calidad, seguridad, experimentación, registro de modelos y despliegue.
El proyecto final construye un flujo desde el cambio de código o datos hasta la promoción controlada y monitorizada en producción.
- Experiencia básica en desarrollo, sistemas o administración cloud.
- Conocimientos de Git y de al menos un lenguaje de scripting.
- Conceptos elementales de Azure, contenedores y machine learning.
- Cuenta de Azure DevOps o entorno Git/CI equivalente para las prácticas.
- Duración: 30 horas distribuidas en 6 módulos.
- Alineación: AZ-400 y AI-300, sustituto vigente del retirado DP-100.
- Metodología: laboratorios guiados, retos aplicados y proyecto final.
- Evaluación: evidencias prácticas, revisión técnica y condición de superación del 80%.
- Resultado: portfolio de artefactos reutilizables y proyecto defendible.
Esta formación está dirigida a:
- Desarrolladores, administradores y platform engineers.
- Profesionales DevOps y SRE que incorporan cargas de IA.
- Data scientists y ML engineers que necesitan industrializar modelos.
- Equipos técnicos que preparan AZ-400 o evolucionan desde DP-100.
Módulo 1. Cultura, planificación y control de versiones — 5 horas
- Flujo de valor, colaboración y métricas de entrega.
- Git, estrategias de ramas, pull requests y revisiones.
- Backlog, trazabilidad y definición de terminado.
- Práctica aplicada: Diseño de un flujo de trabajo para un equipo de producto.
Módulo 2. Integración continua y calidad — 5 horas
- Pipelines como código, agentes, artefactos y cachés.
- Pruebas unitarias, integración, calidad y cobertura.
- Seguridad shift-left y gestión de dependencias.
- Práctica aplicada: Pipeline CI con puertas de calidad y seguridad.
Módulo 3. Entrega continua e infraestructura como código — 5 horas
- Entornos, aprobaciones, secretos y separación de responsabilidades.
- Bicep/Terraform, configuración y despliegue idempotente.
- Blue-green, canary, feature flags y rollback.
- Práctica aplicada: Despliegue por fases con infraestructura reproducible.
Módulo 4. Observabilidad y operación — 5 horas
- Logs, métricas, trazas, alertas y SLO.
- Feedback desde producción y gestión de incidentes.
- Capacidad, rendimiento, coste y mejora continua.
- Práctica aplicada: Panel operativo y ejercicio de respuesta a fallo.
Módulo 5. Experimentación y MLOps — 5 horas
- Datos, experimentos, artefactos, modelos y linaje.
- Registro, validación, empaquetado y promoción de modelos.
- CI para código/datos y CD para endpoints batch o tiempo real.
- Práctica aplicada: Pipeline de entrenamiento y registro con criterios de aceptación.
Módulo 6. Proyecto final DevOps + MLOps — 5 horas
- Flujo integrado de aplicación, infraestructura y modelo.
- Pruebas, seguridad, aprobación, despliegue y reversión.
- Monitorización de servicio, datos y calidad del modelo.
- Práctica aplicada: Entrega integral demostrable y retrospectiva basada en métricas.
