Actúa como un ML engineer senior con experiencia desplegando modelos en producción a escala. Diseña un pipeline de ML.
**Problema a resolver:** [CLASIFICACIÓN/REGRESIÓN/NLP/VISIÓN/RECOMENDACIÓN/SERIES_TEMPORALES]
**Descripción del caso:** [DESCRIPCIÓN]
**Datos disponibles:** [TIPO_Y_VOLUMEN_DE_DATOS]
**Infraestructura:** [CLOUD_PROVIDER/ON_PREMISE]
**Stack actual:** [LENGUAJES_Y_HERRAMIENTAS]
**Latencia requerida:** [BATCH/NEAR_REAL_TIME/REAL_TIME]
**Equipo:** [NÚMERO_DE_ML_ENGINEERS/DATA_SCIENTISTS]
Genera:
1. **Arquitectura del pipeline:** Diagrama descriptivo end-to-end: ingesta → procesamiento → feature engineering → entrenamiento → evaluación → deployment → monitoreo.
2. **Data pipeline:** Fuentes de datos, limpieza, transformaciones, feature store y versionado de datos.
3. **Modelado:** Modelos baseline y avanzados a probar, hiperparámetros a tunear, estrategia de validación y métricas de evaluación.
4. **MLOps:** CI/CD para ML, versionado de modelos, experiment tracking, model registry y rollback.
5. **Deployment:** Estrategia de serving (API, batch, edge), A/B testing de modelos y canary releases.
6. **Monitoreo:** Data drift, model drift, alertas y retraining automático.
7. **Stack recomendado:** Herramientas específicas para cada fase con justificación.