Saltar al contenido
Nubent

/Glosario · IA

¿Qué es MLOps?

MLOps es el conjunto de prácticas que aplica principios de DevOps al ciclo de vida del machine learning, desde la preparación de datos y el entrenamiento hasta el despliegue y el monitoreo de modelos en producción. Busca que los modelos sean reproducibles, auditables y fáciles de actualizar.

Cómo funciona MLOps

Un flujo de MLOps automatiza los pasos que en un notebook se hacen a mano: extraer y validar datos, entrenar, evaluar contra métricas definidas, registrar el modelo con su versión de datos y código, y desplegarlo si supera los umbrales. En producción, se monitorea la calidad y se dispara un reentrenamiento cuando los datos cambian.

En AWS, Amazon SageMaker AI cubre gran parte del ciclo con SageMaker Pipelines para orquestar, Model Registry para versionar y aprobar modelos, endpoints de inferencia en tiempo real o por lotes, y Model Monitor para detectar deriva de datos. Los datos suelen vivir en S3 y se procesan con Glue o EMR.

Cuándo conviene adoptar MLOps

Cuando hay modelos que impactan decisiones de negocio, como scoring de riesgo, recomendaciones o detección de fraude, y se actualizan más de una vez al año. Si cada reentrenamiento depende de una persona y su notebook, el riesgo operativo es alto y la reproducibilidad es nula.

Para un primer modelo experimental todavía no hace falta una plataforma completa. Conviene empezar por versionar datos y código, automatizar el entrenamiento y registrar métricas. Cuando crecen los modelos y los equipos, se suman registro de modelos, aprobaciones manuales y monitoreo.

Buenas prácticas y errores comunes

Separá cuentas para experimentación, preproducción y producción, y promové modelos entre ellas con aprobaciones registradas. Versioná datos de entrenamiento junto con el modelo, definí métricas de negocio además de las técnicas y monitoreá tanto la deriva de datos como la calidad de las predicciones.

Errores comunes: desplegar modelos sin saber con qué datos se entrenaron, no monitorear después del despliegue y descubrir meses más tarde que el modelo perdió precisión, y dejar endpoints de inferencia sobredimensionados encendidos todo el día cuando la carga es por lotes.

/FAQ

Preguntas sobre MLOps

¿Tenés otra duda? Escribinos a hello@nubent.com y te responde un ingeniero.

¿Qué es la deriva de datos en MLOps?

Es el cambio en la distribución de los datos de producción respecto de los datos de entrenamiento. Provoca que el modelo pierda precisión aunque el código no cambie. Se detecta comparando estadísticas de entrada y salida con una línea base, por ejemplo con SageMaker Model Monitor.

¿Qué servicios de AWS se usan para MLOps?

Principalmente Amazon SageMaker AI con Pipelines, Model Registry, endpoints de inferencia y Model Monitor, más S3 para datos, AWS Glue para preparación, Step Functions para orquestación adicional y CloudWatch para métricas operativas de los endpoints.

¿MLOps sirve para IA generativa?

Parte de sus principios aplica, como versionado, evaluación y monitoreo. Pero las aplicaciones con modelos de lenguaje tienen necesidades propias, como gestión de prompts, evaluación de texto generado y control de costo por token, que se agrupan bajo el término LLMOps.

Siguiente paso

¿Construimos lo próximo en AWS?

30 minutos con un ingeniero. Próximos pasos concretos, trabajes o no con nosotros.