Este Trabajo de Fin de Grado presenta el diseño e implementación de una arquitectura MLOps aplicada a sistemas de gestión hídrica, con el objetivo de automatizar el ciclo de vida completo de modelos de Machine Learning. La solución propuesta integra tecnologías open source para cubrir las fases de entrenamiento, control de versiones, despliegue en producción, inferencia y monitorización. La arquitectura se estructura en torno a MLflow como sistema central de gestión y versionado de modelos, y se basa en una orquestación de microservicios mediante Docker. Para el almacenamiento y gestión de datos de series temporales se utilizan bases de datos como QuestDB e InfluxDB. Además, se incorpora configuración dinámica mediante MQTT y mecanismos de ejecución periódica que garantizan la continuidad operativa del sistema. Como caso práctico, el sistema se aplica a la predicción de caudales en distintos entornos hidráulicos. Los modelos se entrenan utilizando datos históricos y variables derivadas de series temporales, y en producción se ejecutan procesos automáticos de inferencia. El sistema permite la detección de nuevas versiones de modelos y la actualización dinámica de los mismos en los servicios de inferencia sin necesidad de redeploy. Los resultados obtenidos demuestran la viabilidad de aplicar metodologías MLOps en entornos hidráulicos reales, mejorando la trazabilidad, escalabilidad y mantenibilidad de los modelos desplegados. La arquitectura propuesta proporciona una base sólida y reutilizable para sistemas industriales basados en datos e inteligencia artificial.

Este Trabajo de Fin de Grado-k arkitektura baten diseinua eta inplementazioa aurkezten du MLOps kudeaketa hidrikoko sistemak aplikatuta, Machine Learning modeloen bizitza osoa automatizatzeko helburuarekin. La solución propuesta integra tecnologías open source entrenamendu faseak betetzeko, bertsioen kontrola, produkzioan despliegue, inferentzia eta monitorizazioa. La arquitectura se estructura en torno a MLflow modeloen kudeaketa eta bertsio zentral gisa, eta Docker bidez mikrozerbitzuen esleipen batean oinarritzen da. Serie denborazko datuak biltegiratzeko eta kudeatzeko datu-baseak erabiltzen dituzte QuestDB eta InfluxDB gisa. Gainera, konfigurazio dinamikoa txertatu behar da MQTT bidez eta sistemaren funtzionamenduaren jarraipena bermatzen duten exekuzio-mekanismoak. Nola kasu praktikoa, sistema hidráulicos en distintos entornos caudales iragarpenari aplikatzen zaio. Los modelos se entrenan utilizando datos históricos y variables derivadas de series temporales, y en producción se ejecutan procesos automáticos de inferencia. Sistemak modeloen bertsio berriak hautematea ahalbidetzen du.Los resultados obtenidos demuestran la viabilidad de aplicar metodologías MLOps en entornos hidráulicos reales, mejorando la trazabilidad, escalabilidad y mantenibilidad de los modelos desplegados. La propuesta arquitectura base solida y reutilizable para sistemas industriales basados ​​en datos y inteligencia artificial.