El MLOps y el siguiente nivel de la implementación de modelos de machine learning
Cuando hablamos de analítica en nuestras organizaciones en general se adentra en los conceptos de descriptivo, predictivo y prescriptivo así como en la fase de maduración tecnológica y de datos que lo hacen posible.
Todo ello sin embargo requiere un gran esfuerzo estructural que no necesariamente implica la inserción de lo absolutamente nuevo, sino también la adaptación de los procesos con los que ya cuenta como por ejemplo al tener una área de desarrollo y software propiamente dicho.
Bajo este contexto es que se inscribe lo que viene a llamarse ML Ops; pues los científicos de datos y los equipos altamente analíticos se dan contra las cuerdas cuando tienen que dejar lo que construyen en un ambiente productivo: es decir OPERATIVO Y AUTOMATIZADO.
Entonces, ¿qué es el MLOps?
MLOps o ML Ops es un conjunto de prácticas que tiene como objetivo implementar y mantener modelos de aprendizaje automático en producción de manera confiable y eficiente. La palabra es un compuesto de “aprendizaje automático” y la práctica de desarrollo continuo de DevOps en el campo del software
Pero ¿qué lo diferencia del DevOPS?
En que el proceso de construcción y despliegue de un modelo implica operaciones que no están incluidas en el proceso de desarrollo tradicional de software
- Datos (preparación, análisis y tratamiento)
- Entrenamiento
- Evaluación del modelo
- Empaquetado
- Entrega (Despliegue)
- Supervisión (Monitorización)
Y cuál es el proceso propuesto:
Se trata de cubrir todo el ciclo, el end to end de las operaciones
- Entrenamiento
- Empaquetado
- Evaluación
- Despliegue
- Monitorización
¿Y las herramientas más utilizadas?
Desde el conocido tensor Flow extended hasta kubernetes tenemos:
¿Y los ejemplos de adopción?
En los clouds más utilizados:
Based on GCP
Based on SageMaker
Based on Azure
¿Qué opinás? ¿conocías algo sobre MLOps?
—
Si querés contactarnos directamente mandanos un mensaje a Contacto
