FRENES

Glosario · Desplegar y alojar

MLOps

MLOps es un conjunto de prácticas para desarrollar, desplegar y mantener sistemas de aprendizaje automático de forma organizada. Conecta el trabajo sobre datos y modelos con la operación cotidiana mediante métodos de control de versiones, validación, supervisión y gestión de cambios a lo largo de la vida del servicio.

MLOps: la explicación

Un sistema de aprendizaje automático incluye más elementos que el modelo. Hay que preparar datos, conservar configuraciones, comparar resultados y ofrecer un servicio utilizable. MLOps organiza esas actividades para identificar qué se utilizó y repetir las operaciones necesarias. Puede incluir pruebas automatizadas, un registro de modelos y un procedimiento de despliegue. El nivel de automatización adecuado depende del tamaño del proyecto y de las consecuencias que una modificación pueda tener para las personas que utilizan el servicio en su trabajo cotidiano.

MLOps adapta prácticas de desarrollo y operación de software a las particularidades del aprendizaje automático. Los datos y los modelos pueden cambiar aunque el código apenas se modifique, por lo que conviene controlar varios elementos de forma coordinada. La documentación https://docs.cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning aborda la automatización y supervisión de estos sistemas. El objetivo práctico es mantener un servicio operativo con el tiempo, más allá de una demostración con algunos ejemplos. También requiere responsabilidades claras y procedimientos que el equipo pueda aplicar realmente cuando cambian las condiciones.

En aplicaciones con modelos de lenguaje, algunas prácticas relacionadas reciben el nombre de LLMOps. El equipo también puede seguir instrucciones, evaluaciones, documentos de referencia y llamadas a servicios externos. No todas las organizaciones entrenan modelos propios: utilizar una API no elimina la necesidad de gestionar cambios. MLOps no es un producto único ni garantiza resultados correctos. Su valor depende de procedimientos ajustados al trabajo real, a los recursos disponibles y a las consecuencias de los errores en el servicio desplegado.

Un ejemplo concreto

Su organización utiliza un modelo para dirigir solicitudes al departamento adecuado. Antes de sustituir la versión actual, el equipo compara la nueva con ejemplos representativos. Conserva el material de evaluación, la configuración y los resultados. El despliegue es gradual y cuenta con supervisión de errores y una opción para recuperar la versión anterior. Estas prácticas reducen los cambios que después resultan difíciles de explicar o de corregir.

Por qué importa

Para usted, MLOps afecta sobre todo a la estabilidad y al mantenimiento del servicio. Una herramienta puede funcionar bien en una demostración y empeorar tras una actualización. Pregunte cómo se evalúan los cambios, cómo se detectan incidentes y si se puede recuperar una versión anterior. Más que el vocabulario técnico, importan las responsabilidades claras y los procedimientos concretos para resolver los problemas que afecten a su uso.

Ideas equivocadas

  • MLOps no consiste únicamente en entrenar modelos con mayor rapidez, porque también comprende datos, versiones, despliegue, supervisión y mantenimiento durante todo el periodo en que el sistema presta un servicio a personas que dependen de su funcionamiento.
  • Adoptar MLOps no exige automatizar todas las decisiones, ya que las revisiones humanas pueden seguir siendo adecuadas o necesarias, mientras que el grado de automatización debe ajustarse al proyecto y a las consecuencias de los errores para sus usuarios.

Otros términos: desplegar y alojar

autoalojamiento
El autoalojamiento consiste en ejecutar un programa en una infraestructura cuya administración usted gestiona o controla.
IA local
La IA local es una inteligencia artificial que realiza sus cálculos en su dispositivo o en una infraestructura controlada por su organización.
observabilidad de LLM
La observabilidad de LLM es el conjunto de métodos que permite comprender una aplicación basada en modelos de lenguaje mediante sus registros y mediciones.
API compatible con OpenAI
Una API compatible con OpenAI es una interfaz de programación que reproduce parte o todos los formatos de intercambio de una API de OpenAI para conectar programas existentes.

Dónde lo trata este sitio

El término aparece en 52 páginas del sitio. Algunas:

Para ir más lejos

Preguntas frecuentes

¿Hay que entrenar un modelo propio?

No. Una aplicación con un modelo externo también necesita gestionar versiones, evaluaciones y cambios. Las prácticas concretas difieren de un proyecto de entrenamiento, pero siguen siendo necesarias la organización del mantenimiento y la supervisión del comportamiento del servicio.

¿En qué se diferencia de DevOps?

DevOps acerca el desarrollo de software y su operación. MLOps aplica principios similares e incorpora la gestión de datos, experimentos y modelos. Estos elementos necesitan controles específicos porque sus cambios pueden modificar el comportamiento aunque el código apenas varíe.

¿Sirve para proyectos pequeños?

Sí, con una complejidad proporcionada. Conservar versiones, realizar evaluaciones representativas y prever cómo volver atrás ya puede ayudar. No necesita una infraestructura grande para aplicar principios básicos que faciliten mantener el servicio y modificarlo de forma controlada.

Neutralidad. Ningún enlace de afiliación. Ningún editor paga por ser evaluado, puntuado o clasificado. Las evaluaciones las dirige François Chollet, neutrales y factuales, y cada dato está fechado y con su fuente. Cómo puntuamos