MLOps para Churn de Clientes
Um projeto de estudo em andamento para um ciclo de vida automatizado e auditável de churn de clientes, abrangendo DataOps, MLOps e LLMOps com restrições.
Tecnologias
- Python
- DVC
- MLflow
- DagsHub
- FastAPI
- Evidently
Visão geral
O projeto trata a predição de churn de clientes como um ciclo de vida operacional, e não apenas como um script de treinamento. Ele combina validação de dados, relatórios de drift, treinamento e registro de modelos, promoção controlada e disponibilização por API.
Fluxo auditável de dados e modelos
Arquivos CSV recebidos são validados contra um contrato e direcionados para conjuntos de dados aceitos ou rejeitados. Relatórios de drift de atributos e do alvo determinam se o ciclo é encerrado após os relatórios ou continua para curadoria, treinamento de candidatos, seleção de modelo e registro no MLflow/DagsHub.
O DVC versiona as entradas do pipeline e os artefatos gerados, enquanto um conjunto de teste fixo e verificações de compatibilidade da API fazem parte das etapas antes que um candidato possa ser elegível para promoção manual ao alias champion.
Assistência de LLM com restrições
Um agente opcional pode propor experimentos delimitados e escrever um relatório de análise. Código determinístico valida os dados e os planos, treina candidatos, seleciona o modelo, realiza seu registro e avalia as etapas de promoção; a LLM não toma decisões operacionais.
Automação e disponibilização
O mesmo ciclo de vida pode ser executado localmente ou pelo GitHub Actions. Após a promoção, um serviço FastAPI pode disponibilizar o modelo registrado sob o alias champion por endpoints de saúde, informações do modelo e predição.