Saltar a contenido

Plantilla entregable U3

Unidad 3: Integración y sustentación del producto final

Producto de la unidad / producto del curso: sistema Big Data integrado con procesamiento batch, procesamiento streaming y componente de ML con series de tiempo e inferencia.


Datos generales

Curso: Big Data
Unidad: 3
Estudiante / equipo: ____
Fecha: _ / / ___

Docente: ______


Entregable esperado

El estudiante/equipo debe presentar el producto final del curso como integración de los entregables de la U1 y U2. El sistema debe evidenciar un flujo Big Data coherente que parte de datos procesados en batch, incorpora ingesta o procesamiento en tiempo real cuando corresponda, y desarrolla un componente de ML con series de tiempo e inferencia.

DataOps y BI pueden describirse como proyección o mejora futura, pero no son obligatorios en esta evaluación porque no se desarrollaron completamente por limitaciones de tiempo.


Sesiones de la Unidad 3

Sesión Tema Actividad esperada Evidencia esperada
S13 Integración del sistema Unificar entregables U1 y U2 en una arquitectura final. Diagrama, flujo integrado y relación entre componentes.
S14 Revisión técnica final Validar ejecución, estructura, artefactos y consistencia del producto. Evidencias de pruebas, revisión de notebooks/scripts y resultados.
S15 Sustentación final Presentar demo end-to-end o recorrido técnico del sistema. Demo, capturas, resultados y explicación técnica.
S16 Evaluación final de recuperación Corregir y volver a presentar los aspectos no logrados en la evaluación regular. Aplica únicamente a estudiantes con calificación baja o que no alcanzaron el nivel esperado. Producto corregido, evidencias complementarias y nueva sustentación de los criterios pendientes.

La Sesión 15 corresponde a la evaluación regular del producto final. La Sesión 16 es una oportunidad de recuperación y no aplica a quienes ya alcanzaron el nivel esperado.


Estructura sugerida del informe

1. Resumen ejecutivo

Describe el producto final, el problema abordado y el valor del sistema Big Data construido.

2. Objetivo del producto

Incluye:

  • problema o necesidad de negocio;
  • objetivo general del sistema;
  • usuarios o áreas beneficiadas;
  • pregunta analítica o predictiva principal;
  • alcance real implementado.

3. Arquitectura integrada del sistema

Incluye:

  • fuentes de datos;
  • pipeline batch de U1;
  • pipeline streaming de U2 si aplica;
  • almacenamiento analítico;
  • componente de ML/series de tiempo;
  • salidas o resultados del sistema;
  • componentes no implementados y justificación.

4. Integración del entregable U1

Resume el pipeline batch construido en la Unidad 1:

  • datasets fuente;
  • transformaciones ETL aplicadas;
  • reglas de calidad;
  • joins, agregaciones o ventanas;
  • salida en Parquet;
  • particionado o diseño de almacenamiento;
  • dataset final preparado para análisis o ML.

Evidencias U1

Evidencia Ruta / captura / resultado Observación
Notebook o script ETL
Dataset procesado
Salida Parquet
Validación de calidad

5. Integración del entregable U2

Resume el trabajo de la Unidad 2:

  • ingesta de eventos con Kafka o fuente equivalente;
  • procesamiento streaming con Spark si fue implementado;
  • métricas, observabilidad o costos si fueron trabajados;
  • dataset analítico o salida generada;
  • modelo ML entrenado, evaluado o reutilizado;
  • inferencia batch o streaming.

Evidencias U2

Evidencia Ruta / captura / resultado Observación
Producer/consumer o fuente streaming
Notebook/script streaming
Métricas o resultados operativos
Modelo ML o artefacto

6. ML con series de tiempo e inferencia

Documenta el componente analítico principal de cierre:

  • variable objetivo;
  • ventana temporal o criterio de ordenamiento;
  • features utilizadas;
  • algoritmo o enfoque aplicado;
  • separación entrenamiento/evaluación;
  • métricas obtenidas;
  • predicciones generadas;
  • evidencia de inferencia.

Resultados del modelo

Experimento Features Modelo Métrica principal Resultado Observación
1
2
3

7. Demo end-to-end

Describe el recorrido técnico que se presentará en la sustentación:

  • inicio del flujo;
  • ejecución o evidencia del pipeline batch;
  • ejecución o evidencia del pipeline streaming;
  • generación o uso del dataset analítico;
  • entrenamiento o carga del modelo;
  • inferencia y resultados;
  • interpretación final.

8. Evidencias técnicas

Adjunta o referencia:

  • notebooks ejecutados;
  • scripts relevantes;
  • capturas de ejecución;
  • logs;
  • rutas de artefactos;
  • tablas de resultados;
  • capturas de predicciones;
  • archivos Parquet o modelos guardados.

9. Limitaciones y alcance no implementado

Declara con claridad:

  • qué partes quedaron completamente implementadas;
  • qué partes quedaron como propuesta o mejora futura;
  • si DataOps no fue implementado;
  • si BI no fue implementado;
  • riesgos o restricciones técnicas encontradas.

10. Conclusiones

Resume:

  • qué se logró integrar;
  • cómo se relacionan U1 y U2 en el producto final;
  • qué valor aporta el componente de ML/series de tiempo;
  • qué mejoras serían prioritarias para una siguiente versión.

Rúbrica de evaluación

Criterio N1 Inicio N2 En proceso N3 Logro esperado
Integración del producto Presenta componentes aislados sin relación clara. Integra parcialmente U1 y U2, pero con vacíos en el flujo. Integra U1 y U2 en una arquitectura final clara y coherente.
Pipeline batch U1 No evidencia el pipeline batch o la salida analítica. Evidencia parcialmente ETL, calidad o salida Parquet. Evidencia ETL batch reproducible, calidad básica y salida Parquet validada.
Pipeline streaming U2 No evidencia ingesta o procesamiento en tiempo real. Evidencia parcialmente Kafka, Spark Streaming o resultados operativos. Evidencia un flujo streaming o equivalente, con resultados verificables.
ML y series de tiempo No presenta modelo, inferencia ni resultados claros. Presenta modelo o inferencia con evidencias incompletas. Presenta ML con series de tiempo, métricas e inferencia claramente evidenciada.
Coherencia técnica El sistema no muestra relación entre datos, procesamiento y resultados. La relación técnica existe, pero con explicaciones incompletas. Explica claramente cómo los datos procesados alimentan los resultados o predicciones.
Evidencias de ejecución No presenta evidencias verificables. Presenta evidencias parciales o poco ordenadas. Presenta evidencias claras de notebooks, scripts, artefactos, resultados y predicciones.
Sustentación end-to-end La demo o explicación no permite entender el producto. La sustentación muestra partes del sistema, pero sin recorrido completo. La sustentación presenta un recorrido técnico claro del sistema integrado.
Manejo de limitaciones No declara limitaciones ni alcance real. Declara limitaciones de forma general. Declara con precisión lo implementado, lo no implementado y mejoras futuras.
Estructura del informe Documento incompleto o desordenado. Documento parcialmente organizado. Documento completo, ordenado y alineado a la plantilla.
Claridad y presentación Difícil de entender. Entendible, pero poco claro. Claro, ordenado y profesional.

Producto final del curso

Sistema Big Data integrado que consolida el pipeline batch de U1, el trabajo streaming/ML de U2 y una sustentación final centrada en ML con series de tiempo e inferencia, dejando DataOps y BI como mejoras futuras cuando no hayan sido implementados.