El concepto de MLOps (mezcla entre “ML” por “machine learning” y “Ops” por “operaciones”) tiene un objetivo superador para las empresas dispuestas a competir en la economía de los datos.

Básicamente, propone una colaboración entre científicos de datos y responsables de operaciones para acelerar la obtención de valor de los proyectos de inteligencia artificial e incrementar las posibilidades de éxito de esas iniciativas.

Sin embargo, no es una fórmula infalible para el éxito. En el camino de MLOps se pueden encontrar algunos obstáculos, el primero es cuando se subestima. Requiere que se le dediquen recursos y un equipo dedicado que tenga la libertad de experimentar y equivocarse.

Al mismo tiempo, los miembros de ese equipo deben tener habilidades específicas que, en general, se presentan escasamente en el mercado. Particularmente en lo que tiene que ver con los conocimientos de machine learning propiamente dichos.

La importancia de la planificación

En el mismo sentido, la ausencia de planificación es un obstáculo importante en el camino al éxito con MLOps. Se recomienda considerar potenciales contingencias y establecer resultados esperados antes de iniciar el proyecto, de forma tal de preparar a la organización y a los miembros del equipo y anticipar potenciales desvíos.

Otro punto esencial es el cambio de mindset cultural en término de separación de funciones. Las prioridades para los científicos de datos podrían diferir de las que tiene el equipo de operaciones y, al mismo tiempo, de las del negocio.

Un proyecto altamente iterativo

Se trata, entonces, de buscar un equilibrio y que los propósitos de las diversas partes converjan en una sinergia. Los científicos de datos apostarán a lograr el mejor resultado en la definición del modelo y los responsables de operaciones, de que sea confiable y estable.

Ambas perspectivas deberán encontrarse en un punto medio que esté alineado con los objetivos de la empresa. La esencia de MLOps apunta, precisamente, a la construcción de un entramado de equipo con ese objetivo: el de trabajar juntos.

La alta dirigencia también debe sortear una barrera cultural: los CEO en particular y el C-level en general debe comprender que se trata de un proceso iterativo. La primera versión no es la definitiva, sino apenas un borrador que, según su comportamiento, se irá ajustando y mejorando.

Seteando expectativas de MLOps

La ansiedad por un “producto terminado”, muy común en otros segmentos del desarrollo de software o la implementación de tecnologías, aquí podrían jugar en contra. De nuevo, es muy importante que el propio equipo de MLOps pueda setear expectativas y comunicar claramente lo que se puede esperar -y lo que no- en cada etapa de iteración. El monitoreo, por su parte, es fundamental para evaluar si se está yendo en la dirección correcta.

Y queda al menos un gran desafío más: la preparación de un conjunto de datos preciso y estandarizado para el modelado y el entrenamiento de machine learning. Se trata de una tarea ardua, que requiere la reconversión de un conjunto de datos -muchas veces caótico o de mala calidad- en un formato limpio y coherente.

El camino presenta algunas dificultades, pero las oportunidades para quienes estén dispuestos a atravesarlas son incalculables. Para conocer más sobre MLOPS y lo que hacemos, visita nuestra página de Datos e Inteligencia Artificial.