Del modelo a la producción, de forma duradera.

El MLOps aplica a los modelos de Machine Learning prácticas de automatización, despliegue, monitorización y gobernanza inspiradas en el DevOps. Permite pasar de un modelo que funciona en fase experimental a un servicio fiable en producción.

En cuanto un modelo pasa a ser utilizado por usuarios o por procesos de negocio, hay que poder versionarlo, supervisar su rendimiento, volver a una versión anterior y controlar su infraestructura. La necesidad crece, lógicamente, con el número de modelos desplegados.

El DevOps se centra principalmente en el código y las aplicaciones. El MLOps debe gestionar, además, los datasets, las features, las versiones de los modelos, las métricas de ML, las derivas de los datos y los ciclos de reentrenamiento.

Sí, siempre que se disponga del modelo, de su código, de sus dependencias y de la información necesaria para ejecutarlo. Podemos auditar lo existente y, después, construir a su alrededor la cadena de empaquetado, despliegue, monitorización y versionado.

Podemos supervisar la distribución de los datos, la calidad de las predicciones, los errores, la latencia y otras métricas propias del caso de uso. Las alertas permiten identificar un drift o una degradación que, sin ellas, pasarían desapercibidos para los equipos.

No necesariamente. Según la criticidad, el volumen y la disponibilidad de los datos, el reentrenamiento puede automatizarse, activarse mediante una alerta o someterse a validación humana. Elegimos el nivel de automatización adecuado al riesgo.

Kubernetes, servicios cloud gestionados o infraestructuras dedicadas pueden ser opciones válidas. La elección depende de los volúmenes, la latencia, el coste, las competencias internas, las restricciones de seguridad y la necesidad de portabilidad.

Supervisamos, entre otros aspectos, el consumo de CPU/GPU, el número de predicciones, los recursos ociosos, el dimensionamiento, el autoescalado y el coste de los modelos externos. El objetivo es mantener el nivel de servicio necesario sin sobredimensionar la infraestructura.

Depende en gran medida de lo que ya exista. Industrializar un único modelo con un despliegue y una monitorización básicos es muy distinto de construir una plataforma completa con model registry, feature store, varios entornos, reentrenamiento y gobernanza.

Sí, puede formar parte del proyecto. La documentación, la transferencia de conocimientos y la formación de los equipos permiten que la explotación diaria sea independiente, sin renunciar a la posibilidad de un acompañamiento externo para futuras evoluciones.