Introducción a las prácticas de MLOps

Las operaciones de Machine Learning (MLOps) son un conjunto de prácticas centradas en regular el ciclo de vida completo de los modelos de Machine Learning. A medida que más organizaciones confían en Machine Learning para aplicaciones basadas en datos y tecnología, el foco inicial, centrado en desarrollo y despliegue de modelos, se ha ampliado para incluir supervisión y actualizaciones continuas.

Las prácticas de MLOps aceleran la puesta en producción de modelos de Machine Learning, al vincular las actividades de diseño, compilación y pruebas de la fase de desarrollo con las actividades de despliegue, mantenimiento y supervisión de la fase de operaciones en un ciclo de retroalimentación continua. Las prácticas de MLOps son colaborativas y multifuncionales, y a menudo involucran a equipos de ingeniería, informática y análisis de datos.

Diferencia entre las prácticas de MLOps y de DevOps Las prácticas de MLOps y de DevOps agilizan el proceso de pasar del desarrollo de software a la producción, e implican colaboración entre los equipos de desarrollo y operaciones. No obstante, las prácticas de MLOps se centran en el ciclo de vida completo de los modelos de Machine Learning.

Importancia de las prácticas de MLOps

Las prácticas de MLOps facilitan el difícil proceso de automatización del ciclo de Machine Learning. La automatización requiere pasos adicionales: supervisar y evaluar el rendimiento del modelo, incorporar los resultados en un modelo de mejor rendimiento, y desplegar el nuevo modelo. Las prácticas de MLOps ofrece beneficios significativos en la puesta en producción de Machine Learning, lo que genera menos errores, transiciones más fluidas entre equipos de trabajo y una mejora continua del sistema de IA.

Las prácticas de MLOps resultan particularmente útiles en aplicaciones tales como:

Prácticas de MLOps con MATLAB

MATLAB^® y Simulink^® permiten automatizar los procesos de MLOps.

• Cree modelos de Machine Learning: Utilice funciones prediseñadas y apps especializadas para seleccionar o desarrollar características, y cree modelos de Machine Learning para clasificación, regresión y agrupación en clusters.

• Puede utilizar AutoML para automatizar el diseño del modelo para prácticas de MLOps. En el caso de Deep Learning, puede obtener modelos previamente entrenados de MATLAB o código abierto.
• Simule sistemas de IA: Integre modelos de Machine Learning en sistemas de IA utilizando bloques dedicados, tales como un bloque de clasificación SVM o un bloque de detección de objetos, y simule sistemas de IA completos antes de desplegarlos en producción.
• Compile y realice pruebas con integración continua: Utilice diferentes plataformas de integración continua (CI), tales como Azure^® DevOps, Jenkins^® o su propio servidor de integración continua, para ejecutar código de MATLAB y simular sistemas de Simulink. La integración continua permite crear y probar automáticamente código y sistemas, colaborar con otros equipos de trabajo, y detectar problemas de integración en etapas iniciales del ciclo de MLOps.
• Despliegue en producción: Despliegue modelos de Machine Learning de MATLAB en MATLAB Production Server™ sin necesidad de crear código nuevo ni una infraestructura personalizada. De ese modo, la comunidad de usuarios podrá acceder automáticamente a la última versión de los modelos de MATLAB desplegados.
• Supervise el funcionamiento: Una vez que los modelos de Machine Learning estén en producción, podrá supervisar su rendimiento y proporcionar feedback. Por ejemplo, utilice detección de desviaciones para comparar los datos observados con los datos de entrenamiento y determinar cuándo es necesario realizar otro entrenamiento.