Predictor de precio de propiedades — Arequipa

Qué demuestra este proyecto

• Diseño y consumo de un feature store, offline y online, con point-in-time correctness real.
• Tracking de experimentos y versionado de modelos en un registry.
• Despliegue de un modelo a un entorno de producción real (Docker, servidor propio).
• Trazabilidad de cada predicción servida.
• Monitoreo de infraestructura y de datos/modelo (drift).
• Integración de un ecosistema ML en Python con un stack de producción en Node.js, con decisiones de arquitectura justificadas — no “usé lo que ya sabía”.

Un dato real, no simulado

El dataset base es de 2020 (pe_properties.csv, subset de Arequipa — ~12,200 anuncios). En vez de tratarlo como una limitación, el proyecto lo aprovecha: en lugar de simular drift artificialmente, el modelo entrenado con datos de 2020 se compara contra un lote de anuncios reales y actuales de Arequipa. El drift que aparece — inflación, cambios de mercado post-pandemia, tipo de cambio — es real, no inventado. Es un argumento más honesto que una demo con datos sintéticos, y el sitio no esconde la parte de esto que todavía está pendiente de ejecutar (ver Drift real).

Seguir explorando