La industria empresarial está repleta de un nuevo modelo operativo y de desarrollo que reúne las disciplinas existentes de DevOps y Machine Learning (ML). Llamadas Operaciones de aprendizaje automático, o «MLOps», el objetivo es establecer un proceso integral para diseñar, desarrollar y administrar nuevos y potentes productos de software basados en ML.
¿Qué es MLOps?
Aunque todavía está en sus inicios, el movimiento ha captado la atención de todos, desde científicos de datos e ingenieros de software hasta expertos en inteligencia artificial y aprendizaje automático. Uno de sus principales defensores es MLOps.org, que identificó una serie de capacidades únicas que MLOps aporta a la ingeniería de software tradicional. Éstos incluyen:
- Unificación del ciclo de lanzamiento de aplicaciones de software y ML.
- Habilitación de pruebas automatizadas de artefactos de ML, como validación de datos, pruebas de modelos y pruebas de integración.
- Aplicación de principios ágiles a proyectos de ML.
- Compatibilidad con modelos y conjuntos de datos de ML como activos de primera clase en sistemas de CI/CD.
- Reducción de deuda técnica en todos los modelos de ML.
- Establecer MLOps como una práctica agnóstica en todos los lenguajes, marcos, plataformas e infraestructura.
DevOps y MLOps
El objetivo final de MLOps, dice Rick Merritt de Nvidia, es establecer un conjunto de mejores prácticas para permitir que las organizaciones implementen y operen con éxito una amplia gama de ML y otras aplicaciones de IA. Al basar MLOps en modelos DevOps existentes, los proponentes esperan que estos nuevos productos y servicios puedan hacer una transición sin problemas a modelos comerciales digitales establecidos. (Lea también: Los gerentes de DevOps explican lo que hacen).
Esencialmente, proporciona una vía de acceso fácil al entorno de datos establecido para científicos de datos, analistas, ingenieros y otros que se especializan en la curación de datos, la automatización y las funciones relacionadas utilizadas por los programas basados en ML.
¿Por qué necesitamos MLOps?
Implementación rápida
Idealmente, esto establecerá una infraestructura preparada para IA que pueda integrar rápidamente elementos clave de la pila de software de MLOps, como un repositorio de modelos de IA, una canalización de ML automatizada para administrar conjuntos de datos y experimentos, y una flota de contenedores de software, la mayoría basados en Kubernetes. – para simplificar los trabajos de procesamiento. Pero no te das cuenta de que se trata de una simple cuestión de cortar y pegar un nuevo patrón sobre el anterior. Trabajar con conjuntos de datos dispares requerirá un etiquetado y un seguimiento cuidadosos, mientras que se requerirá una gestión sólida de bancos de pruebas y repositorios para garantizar un entorno de prueba estable. (Lea también: ¿La IA reemplazará pronto a los programadores de computadoras?)
Si bien MLOps brinda ventajas a los desarrolladores, realmente comienza a brillar una vez que el proyecto llega a la fase de producción. Conforme algoritmia.comMLOps tiene la capacidad de integrar orquestación, administración y monitoreo en un solo proceso programático que incorpora orquestación de hardware, integración de SDK y lenguaje, administración de contenedores, control de versiones de modelos y una gran cantidad de otras funciones, incluidos procesos de seguridad clave como el control de acceso y el cifrado. .
Mejora del modelo de negocio
En última instancia, estos beneficios se abren paso en el modelo de negocio al:
- Acelerar el tiempo de valorización, quizás de meses a minutos.
- Optimización de la productividad del equipo a través de flujos de trabajo integrados y especialización de funciones.
- Mejorar la gestión de la infraestructura para que coincida mejor con los resultados comerciales.
- Protección de activos y continuidad del negocio.
Desde una perspectiva organizacional, MLOps representa la transición de la «era de la IA artesanal» a «la aplicación de disciplinas de ingeniería para automatizar el desarrollo, mantenimiento y entrega de modelos ML», según un reciente informe de Deloitte titulado «MLOps: Industrialized AI». Esto aborda uno de los problemas clave de los esfuerzos actuales para implementar la IA en la empresa: tiende a existir como dominio de unos pocos científicos de datos que ejercen un amplio control creativo sobre la tecnología y su aplicación. Si bien esto puede conducir a algunas soluciones innovadoras, limita la capacidad de escalarlas a niveles empresariales.
Al mismo tiempo, se ven obstaculizados por una infraestructura heredada que no puede soportar un desarrollo rápido, consistente y optimizado. (Lea también: Aprendizaje automático: 4 obstáculos a tener en cuenta para la adopción empresarial).
Inteligencia a la velocidad de los negocios
Mediante la automatización y procesos estandarizados, MLOps fomenta la experimentación y la entrega rápida, en parte al democratizar la IA en un espectro más amplio de la fuerza laboral del conocimiento. Con una mejor organización de los datos, adaptados a las máquinas, se pueden implementar nuevas técnicas rápidamente, incluso de forma autónoma, para ajustar procesos y modelos de negocio a entornos cambiantes. Los circuitos de retroalimentación también pueden garantizar que los patrones obsoletos se eliminen gradualmente mientras que los más nuevos y productivos pasan a primer plano.
Por supuesto, esta transición no puede ocurrir hasta que se aborde la brecha de habilidades de IA en la mayoría de las organizaciones. El aprendizaje automático puede impulsar un modelo de negocio a nuevos niveles de rendimiento, pero sin la experiencia para guiarlo y administrarlo, bueno, puede causar bastantes estragos.
Inteligente o no, la tecnología ha demostrado ser un factor determinante clave en el éxito o el fracaso de cualquier empresa compleja, pero esto no debe eclipsar el hecho de que las personas siguen siendo el activo empresarial más importante. Sea cual sea la forma que adopte, MLOps solo será tan bueno como las personas que lo ejecuten.
