Las pruebas de concepto (PoC) en proyectos de Machine Learning son fundamentales para validar la viabilidad de una solución propuesta. Sin embargo, estas pruebas pueden ser engañosas, generando una falsa percepción de completitud y madurez del proyecto. Esto se debe a una serie de factores inherentes a la naturaleza y despliegue de los sistemas de ML. (View Highlight)
La deuda técnica adquirida durante su desarrollo: Una PoC puede acumular deuda técnica si no se consideran aspectos cruciales para su implementación en un entorno de producción real. Esto incluye la escalabilidad, la integración con los sistemas ya existentes, el monitoreo continuo y la calidad de los datos (View Highlight)
Escalabilidad y rendimiento: Se debe estudiar si el modelo y la infraestructura subyacente pueden escalar fácilmente para manejar volúmenes de datos o peticiones al end point del modelo más grandes de lo esperado, manteniendo un rendimiento adecuado. (View Highlight)
Gestión de expectativas de los stakeholders: Es vital manejar las expectativas de las partes interesadas, comunicando claramente las limitaciones y el alcance realista de lo que una PoC puede demostrar. (View Highlight)
