El Momento de la Verdad: Conectando las Piezas
Hemos recorrido un largo camino. Creamos un modelo y lo guardamos como un artefacto (`.rds`). Luego, encapsulamos la lógica para usar ese modelo en una función limpia dentro de un script de inferencia (`inference.R`). Ahora, es el momento de conectar todo.
En esta lección final del taller, construiremos la "tienda": la interfaz de usuario donde el cliente (nuestro usuario final) puede interactuar con el "motor" (nuestro modelo) que hemos construido. Añadiremos los controles necesarios en la UI y escribiremos la lógica en el `server` para orquestar la predicción en tiempo real.
Guía Práctica: Del Clic a la Predicción
Vamos a añadir una nueva pestaña a nuestra aplicación que funcionará como un simulador de puntajes de matemáticas.
Paso 1: Crear la Interfaz del Simulador en `ui.R`
Necesitamos un lugar para que el usuario ingrese los datos para la predicción y un espacio para mostrar el resultado. Añadiremos una nueva `tabPanel` a nuestra aplicación.
Acción: Abre tu archivo `ui.R` y añade el siguiente bloque de código dentro del `tabsetPanel`, después de la pestaña "Tabla de Datos".
# En ui.R, dentro del tabsetPanel(...)
tabPanel("Simulador de Puntaje",
sidebarLayout(
sidebarPanel(
h3("Ingrese los puntajes:"),
numericInput("sim_lectura", "Puntaje Lectura Crítica:", 70, min = 0, max = 100),
numericInput("sim_sociales", "Puntaje Sociales:", 70, min = 0, max = 100),
numericInput("sim_ciencias", "Puntaje Ciencias Naturales:", 70, min = 0, max = 100),
actionButton("run_prediction", "Predecir Puntaje de Matemáticas", icon = icon("calculator"), class = "btn-success")
),
mainPanel(
h2("Resultado de la Predicción"),
div(
style = "background-color: #1e1e1e; padding: 30px; border-radius: 15px; text-align: center; margin-top: 20px;",
h3("El puntaje predicho en matemáticas es:"),
h1(style="color: #28a745; font-size: 5rem;", textOutput("prediction_result"))
)
)
)
)
Paso 2: Implementar la Lógica de Predicción en `server.R`
Ahora, conectamos estos nuevos controles a nuestra función de inferencia. Usaremos un `eventReactive` para que la predicción solo se ejecute cuando el usuario haga clic en el botón.
Acción: Añade este bloque de código completo a tu archivo `server.R`.
# En server.R
# --- Lógica del Simulador ---
puntaje_predicho <- eventReactive(input$run_prediction, {
# 1. Crear un dataframe con los datos de entrada del usuario
nuevos_datos <- data.frame(
punt_lectura_critica = input$sim_lectura,
punt_sociales_ciudadanas = input$sim_sociales,
punt_c_naturales = input$sim_ciencias
)
# 2. Llamar a nuestra función de inferencia encapsulada
prediccion <- predict_math_score(new_data = nuevos_datos)
return(prediccion)
})
# 3. Renderizar el resultado en la UI
output$prediction_result <- renderText({
# Llamamos al conductor reactivo para obtener el valor predicho
puntaje_predicho()
})
¡Ciclo MLOps Completado!
¡Felicidades! Has conectado todo el ciclo: un script de entrenamiento produce un artefacto, un script de inferencia lo encapsula, y la aplicación Shiny consume esa función para servir predicciones a un usuario final. Este es el corazón de un producto de datos funcional.
Paso 3: Versionar el Producto de Datos
Has completado una de las funcionalidades más importantes de la aplicación. Es un hito que debe ser guardado en el historial del proyecto.
# Añade los cambios en los archivos de la app
git add ui.R server.R
# Un commit que describe la nueva característica
git commit -m "feat(app): Implementa simulador interactivo de puntajes"
git push