godml 0.1.2

Governed, Observable & Declarative Machine Learning Framework

GODML – Governed, Observable & Declarative Machine Learning

godml-core/ ├── godml/ │ ├── init.py | ├── godml_cli.py | ├── godml.yml │ ├── core/ | | ├── executors.py │ │ ├── parser.py # Carga y validación de YAMLs │ │ ├── models.py # Esquemas internos (dataclasses / Pydantic) │ │ ├── engine.py # Orquestador local de ejecución (base class) │ │ └── validators.py # Reglas de gobernanza y validaciones │ ├── providers/ | | ├── mlflow.py │ │ ├── init.py │ │ ├── sagemaker.py # Implementación provider AWS │ │ └── vertex.py # Implementación provider GCP │ └── utils/ │ ├── logger.py # Logger estructurado │ └── hash.py # Hash para datasets y modelos ├── pyproject.toml # Configuración de build ├── README.md # Docs internas del core └── tests/ └── test_parser.py

GODML es un framework de MLOps que unifica la gobernanza, la observabilidad y la implementación declarativa de modelos de Machine Learning en producción. Diseñado para que no solo quieren que su modelo funcione, sino también entender por qué funciona, cuándo dejará de hacerlo y cómo mantener el control.

---

📌 Índice

1. Visión General
2. Problemas que Resuelve
3. Arquitectura del Framework
4. Casos de Uso Típicos
5. Componentes Principales
6. Cómo Empezar
7. Roadmap #8. Licencia

---

🎯 Visión General

GODML nace como respuesta a una realidad que muchas empresas enfrentan hoy:

• Modelos en producción sin trazabilidad.
• Decisiones de IA que no se pueden explicar.
• Retrainings manuales sin control de versiones ni validaciones.
• Observabilidad fragmentada y pobre integración con herramientas de DevOps.

GODML propone una solución estructurada, modular y cloud-native que permite escalar proyectos de ML sin perder gobernanza, transparencia ni capacidad de auditoría.

---

❗ Problemas que Resuelve

• 🔍 ¿Quién entrenó este modelo? → Metadata con versionado y tracking automático.
• 📦 ¿Qué datos usó? → Trazabilidad completa de datasets (con hashes y linaje).
• 🧠 ¿Por qué está tomando esta decisión? → Explicabilidad integrada.
• 📊 ¿Está cumpliendo normativas (GDPR, HIPAA, etc.)? → Logging estructurado y cumplimiento por diseño.
• 🛠️ ¿Qué pasa cuando el modelo degrada? → Monitoreo de métricas + triggers automáticos para retraining o alertas.

---

🧱 Arquitectura del Framework

GODML se compone de 3 capas principales, pensadas para desplegarse en AWS, GCP o entornos híbridos:

       ┌────────────────────────────┐
       │     Observabilidad         │
       │ Logs | Métricas | Tracing  │
       └────────────────────────────┘
                   ▲
                   │
       ┌────────────────────────────┐
       │      Orquestación          │
       │ DAGs | Pipelines | Events  │
       └────────────────────────────┘
                   ▲
                   │
       ┌─────────────────────────────┐
       │    Declarative ML Layer     │
       │ YAMLs | Infra as Code | CLI │
       └─────────────────────────────┘

🔁 Integración con:

• Step Functions / Vertex Pipelines
• Terraform / CDK / CloudFormation
• MLflow, SageMaker, Vertex AI
• CloudWatch, Grafana

---

🧪 Casos de Uso Típicos

• Auditoría completa de un modelo de predicción.
• Pipeline de ML en salud con cumplimiento normativo (HIPAA).
• Sistema de recomendaciones con detección automática de drift.
• Automatización de retraining cuando el MSE excede umbral.

---

🧩 Componentes Principales

Componente	Descripción
godml-core	API principal para definir y versionar modelos declarativamente
godml-observe	Módulo de observabilidad (integración con Prometheus, CloudWatch, etc.)
godml-governance	Trazabilidad, metadata, reglas de cumplimiento y validación de pipelines
godml-cli	Interfaz de línea de comandos para bootstrap, validación y despliegue

---

🚀 Cómo Empezar

# 1. Instala el CLI
pip install godml

# 2. Install WHL

pip install godml-0.1.0-py3-none-any.whl

# 2. Inicializa un proyecto
godml init my-churn-project

# 3. Declara tu pipeline
vim godml.yml

# 4. run
godml run -f godml.yml