Entrenar el modelo es quizás el 20% del trabajo. El resto: experimentos reproducibles, control de versiones de datos, contenedores, implementación, seguimiento. Un modelo que brilla en una computadora portátil pero falla misteriosamente en producción es el clásico modo de falla de MLOps. Este capítulo recorre el camino completo: desde el seguimiento de experimentos con MLflow hasta el seguimiento de la deriva de datos en producción.