Si bien MLOps (acrónimo de machine learning y operaciones) busca acelerar e incrementar el éxito en la implementación de modelos de aprendizaje automático a partir del trabajo colaborativo entre los científicos de datos que definen esos modelos y las áreas de operaciones que lo convierten en un software funcional al negocio, su importancia va mucho más allá de la mera implementación de un proyecto.
Cuando la aplicación de machine learning entra en producción continúa generando desafíos. Por ejemplo, que el modelo no se degrade o que no comience a mostrar problemas de rendimiento a medida que pasa el tiempo. Desde predicciones hechas a partir de conjuntos de datos de clientes cuyo comportamiento cambió o entrenamientos que no representan la realidad actual.
MLOps incluye entre sus mejores prácticas el monitoreo continuo de los modelos. Tanto por parte del equipo de operaciones como de los expertos de inteligencia artificial. El objetivo es verificar proactivamente que no ocurran problemas como datos a la deriva (cuando los datos del entrenamiento no guardan relación con los datos actuales y se pierde la capacidad predictiva) y corroborar de manera permanente la precisión del modelo.
Datos a la deriva
Un modelo con datos a la deriva puede producir resultados inexactos, irrelevantes y hasta nocivos para el negocio. Sin un monitoreo adecuado, el negocio queda expuesto a riesgos que ni siquiera se conocen.
Otro pilar de MLOps es la gestión de ciclo de vida de los modelos. A medida que machine learning se asienta en una organización y provee los beneficios esperados, el número de proyectos puede crecer exponencialmente. Garantizar que todos atraviesen las fases correctas -incluyendo la aprobación en el momento de salida a producción- y que estén altamente automatizados podría ser una tarea engorrosa.
Y no se trata únicamente de monitorearlos, sino también de detectar problemas, clasificarlos y rectificar aquellos que tengan un funcionamiento deficiente, que sean sospechosos o que hayan bajado su rendimiento. También se busca intercambiar modelos, en caso que sea necesario, sin perturbar el flujo de trabajo de producción para garantizar la continuidad del negocio.
Gobernanza de los modelos de MLOPs
Por último, está lo que se conoce como “gobernanza de los modelos en producción”. Ésta se enfoca en asegurar el cumplimiento de las regulaciones vigentes, en particular en empresas que operan en diferentes geografías, para las que las distintas normativas de cada país o región se convierten en una maraña difícil de desentrañar.
MLOps habilita la automatización de la documentación, el control de versiones del modelo y los elementos necesarios para eventuales auditorías para minimizar los riesgos legales, incrementar la transparencia y evitar los sesgos en los modelos, entre otros beneficios.
MLOps no solo es la clave para acelerar la puesta en producción de modelos de aprendizaje automático. Es también la columna vertebral para garantizar su éxito, su escalabilidad y su rendimiento en el largo plazo.
¿Qué tan avanzada está la cultura de machine learning en tu organización? Súmate a la conversación en nuestro LinkedIn y Twitter.
