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:

Mientras tanto, echa un ojo a otros posts!