Upload folder using huggingface_hub

cuadernos/semana_4/container/04_PrediccionPorCoordenada.ipynb

@@ -388,6 +388,19 @@
    "metadata": {},
    "outputs": [],
    "source": []
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 💡 Mejora futura (nota para ti, alumno)\n",
+    "\n",
+    "Este modelo **recalcula** las features espaciales (buffers + spatial joins contra el DENUE y el Censo NACIONAL) **cada vez** que predices un punto. Por eso la inferencia es lenta y necesita ~6 GB de memoria de driver.\n",
+    "\n",
+    "En un sistema de **producción** se haría distinto: se **pre-calculan UNA sola vez** las features de una malla o zona y se guardan (en HDFS o una base de datos); la predicción solo busca el punto más cercano → responde en **milisegundos** en vez de minutos, y sin tanta memoria.\n",
+    "\n",
+    "> Piensa cómo lo rediseñarías: ese es el salto de *“notebook que funciona”* a *“servicio que escala”*. (Mejora propuesta para una versión futura del curso.)\n"
+   ]
   }
  ],
  "metadata": {

cuadernos/semana_4/container/05_api.py

@@ -191,4 +191,12 @@ def predict():
         return jsonify({"error": "Error interno del servidor.", "details": str(e)}), 500
 
 if __name__ == "__main__":
-    app.run(host='0.0.0.0', port=5001, debug=False)
+    app.run(host='0.0.0.0', port=5001, debug=False)
+
+# ============================================================================
+# 💡 MEJORA FUTURA (nota para el alumno)
+# Cada POST /predict recalcula las features espaciales contra el DENUE y el Censo
+# NACIONAL -> por eso necesita ~6 GB de driver y tarda. En producción se PRE-CALCULAN
+# las features de una malla/zona una sola vez (en HDFS o una BD) y /predict solo busca
+# el punto más cercano: responde en milisegundos. Ese es el salto a un servicio que escala.
+# ============================================================================

cuadernos/semana_4/portable/04_PrediccionPorCoordenada.ipynb

@@ -388,6 +388,19 @@
    "metadata": {},
    "outputs": [],
    "source": []
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 💡 Mejora futura (nota para ti, alumno)\n",
+    "\n",
+    "Este modelo **recalcula** las features espaciales (buffers + spatial joins contra el DENUE y el Censo NACIONAL) **cada vez** que predices un punto. Por eso la inferencia es lenta y necesita ~6 GB de memoria de driver.\n",
+    "\n",
+    "En un sistema de **producción** se haría distinto: se **pre-calculan UNA sola vez** las features de una malla o zona y se guardan (en HDFS o una base de datos); la predicción solo busca el punto más cercano → responde en **milisegundos** en vez de minutos, y sin tanta memoria.\n",
+    "\n",
+    "> Piensa cómo lo rediseñarías: ese es el salto de *“notebook que funciona”* a *“servicio que escala”*. (Mejora propuesta para una versión futura del curso.)\n"
+   ]
   }
  ],
  "metadata": {

cuadernos/semana_4/portable/05_api.py

@@ -191,4 +191,12 @@ def predict():
         return jsonify({"error": "Error interno del servidor.", "details": str(e)}), 500
 
 if __name__ == "__main__":
-    app.run(host='0.0.0.0', port=5001, debug=False)
+    app.run(host='0.0.0.0', port=5001, debug=False)
+
+# ============================================================================
+# 💡 MEJORA FUTURA (nota para el alumno)
+# Cada POST /predict recalcula las features espaciales contra el DENUE y el Censo
+# NACIONAL -> por eso necesita ~6 GB de driver y tarda. En producción se PRE-CALCULAN
+# las features de una malla/zona una sola vez (en HDFS o una BD) y /predict solo busca
+# el punto más cercano: responde en milisegundos. Ese es el salto a un servicio que escala.
+# ============================================================================