MLOps (aprendizaje automático) es un conjunto de prácticas que ayudan a los ingenieros y científicos de datos a administrar el ciclo de vida del aprendizaje automático (AA) de manera más eficiente.
Su objetivo es cerrar la brecha entre el desarrollo y las operaciones para el aprendizaje automático. El objetivo de las MLOps es garantizar que los modelos de AA se desarrollen, prueben e implementen de forma coherente y confiable.
Las MLOps son cada vez más importantes, ya que que son cada vez más las organizaciones que usan modelos de AA para tomar decisiones empresariales esenciales.
MLOps significa operaciones de aprendizaje automático y hace referencia al proceso de administrar el ciclo de vida del aprendizaje automático, desde el desarrollo hasta la implementación y la supervisión. Incluye tareas como las siguientes:
Las MLOps son esenciales para garantizar que los modelos del aprendizaje automático sean confiables y escalables, y que se puedan mantener en entornos de producción.
Las MLOps son esenciales para administrar el ciclo de vida del AA y garantizar que los modelos del AA se desarrollen, implementen y mantengan de forma eficaz. Sin MLOps, las organizaciones pueden enfrentar varios desafíos, incluidos los siguientes:
Mayor riesgo de errores: Los procesos manuales pueden provocar incoherencias y errores en el ciclo de vida del AA, lo que puede afectar la exactitud y confiabilidad de los modelos del AA.
Falta de escalabilidad: Los procesos manuales pueden ser difíciles de administrar a medida que los conjuntos de datos y los modelos del AA aumentan en tamaño y complejidad, lo que dificulta el escalamiento eficaz de las operaciones del AA.
Eficiencia reducida: Los procesos manuales pueden consumir mucho tiempo y ser ineficientes, lo que ralentiza el desarrollo y la implementación de los modelos del AA.
Falta de colaboración: Los procesos manuales pueden dificultar que los científicos de datos, los ingenieros y los equipos de operaciones colaboren de manera eficaz, lo que genera silos y fallas en la comunicación.
Las MLOps abordan estos desafíos mediante el aprovisionamiento de un framework y un conjunto de herramientas para automatizar y administrar el ciclo de vida del AA. Permite a las organizaciones desarrollar, implementar y mantener modelos del AA de forma más eficiente, confiable y a gran escala.
Las MLOps ofrecen numerosos beneficios a las organizaciones que las adoptan, incluidos los siguientes:
DevOps es un conjunto de prácticas que ayuda a las organizaciones a cerrar la brecha entre los equipos de desarrollo de software y operaciones. Las MLOps son un conjunto similar de prácticas que abordan específicamente las necesidades de los modelos del AA.
Existen algunas diferencias clave entre MLOps y DevOps, incluidas las siguientes:
A pesar de estas diferencias, MLOps y DevOps comparten algunos principios comunes, como la importancia de la colaboración, la automatización y la mejora continua. Las organizaciones que han adoptado prácticas de DevOps suelen aprovechar esas prácticas cuando implementan MLOps.
Las MLOps constan de varios componentes que trabajan juntos para administrar el ciclo de vida del AA, que incluyen los siguientes:
El EDA es el proceso de explorar y comprender los datos que se usarán para entrenar el modelo del AA. Esto incluye tareas como las siguientes:
La preparación de los datos y la ingeniería de atributos son pasos fundamentales en el proceso de MLOps. La preparación de datos implica limpiar, transformar y formatear los datos sin procesar para que sean adecuados para el entrenamiento de modelos.
La ingeniería de atributos implica crear atributos nuevos a partir de los datos sin procesar que sean más relevantes y útiles para el entrenamiento de modelos. Estos pasos son esenciales para garantizar que el modelo del AA esté entrenado con datos de alta calidad y pueda hacer predicciones precisas.
El entrenamiento y el ajuste de modelos implican entrenar el modelo del AA con los datos preparados y optimizar sus hiperparámetros para lograr el mejor rendimiento posible.
Entre las tareas comunes para el entrenamiento y el ajuste de modelos, se incluyen las siguientes:
La revisión y administración de los modelos garantizan que los modelos del AA se desarrollen y se implementen de manera responsable y ética.
La inferencia y la entrega de modelos implican implementar el modelo del AA entrenado en producción y hacer que esté disponible para que lo usen las aplicaciones y los usuarios finales.
La supervisión de modelos implica la supervisión continua del rendimiento y el comportamiento del modelo del AA en producción. Las tareas pueden incluir:
El reentrenamiento automático de modelos implica volver a entrenar el modelo del AA cuando su rendimiento se degrada o cuando hay nuevos datos disponibles. El reentrenamiento automatizado de modelos incluye lo siguiente:
Comienza a desarrollar en Google Cloud con el crédito gratis de $300 y los más de 20 productos del nivel Siempre gratuito.