• Skip to primary navigation
  • Skip to main content
  • Skip to primary sidebar

The Machine Learners

Descubriendo la IA

  • Inicio
  • Libros ML
  • Contacto
  • Sobre Nosotros

MLOps – Lanza tus modelos a producción

No, MLOps no se trata de un Call of Duty Nuevo. Este campo de ML son las metodologías para lanzar tus modelos de predicción a producción implementando las mejores prácticas del desarrollo de software.

¿Qué es ML-Ops?

Poner un modelo en producción significa que el modelo va a operar en la vida real. Va a recibir datos, va a predecir en tiempo real y estos resultados van a ser usados. Esto presenta un gran desafío tanto a nivel de rendimiento como de gestión.

Cada vez tratamos datasets más grandes, algunos incluso cambian a tiempo real. Los modelos de predicción necesitan un rastreo durante todo su ciclo de vida para adaptarse a los cambios que se producen en nuestros datos, como en las mejoras de los algoritmos. Durante la vida útil de un algoritmo este pasará muchos ciclos de experimentación, tuning y entrenamiento.

Ciclo de vida de modelos ML

Machine Learning Operations (MLOps) se basa en los principios y prácticas de DevOps. Estos principios aumentan la eficiencia del pipeline de trabajo. Por poner ejemplos, son la integración, la entrega y la implementación continuas. MLOps intenta aplicar estos principios a todo el workflow con las intenciones de conseguir:

  • Una experimentación y desarrollo de modelos más rápida
  • Una implementación de los modelos en producción más rápida
  • Asegurarse de una calidad estándar a lo largo de todo el proyecto

Es decir, es la metodología necesaria para llevar nuestros algoritmos de ML a producción.

Stack de tecnologías necesarias para Machine Learning Operations

MLOps necesita una infraestructura robusta y escalable para hacer frente a este CI-CD. Esta infraestructura por lo tanto necesita tener:

  • Acceso a fuentes de datos, creación de datasets a partir de ellas, y repositorio con control de versiones.
  • Un repositorio de modelos con su historial y atributos (versionado de modelos).
  • Un pipeline automatizado que gestione dichos datos, los modelos y las experimentaciones durante todo su ciclo de vida.
  • Contenedores de software que aíslen y simplifiquen la ejecución de estos modelos.

Hoy en día, gracias al cloud computing, toda esta infraestructura es accesible, escalable y elástica.

T?pico Pipeline de ML – Gartner

Os dejo post relacionados con MLOps para que podáis echar un vistazo:

Docker para principiantes! Aprende en 5 mins lo necesario!
Kubernetes: El director de la Orquesta Cloud

Mientras tanto, echa un ojo a otros posts!

  • Estructuras de Datos en Python
  • Variables en Python: Todo lo que necesitas saber
  • Mejor editor de código para Python
  • Instala Anaconda para tus proyectos de Data Science

Reader Interactions

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Primary Sidebar

Suscríbete

Síguenos en Medium.

Entradas Recientes

  • Qué es Python – El lenguaje de la ciencia de datos
  • Cómo evitar la maldición de la dimensionalidad utilizando T-SNE
  • Aprende a utilizar OCR con Amazon Textract
  • Cómo extraer datos de Instagram usando técnicas de Web scrapping
  • Introducción a las series temporales (2): modelo ARIMA con R

Copyright © 2022 The Machine Learners