Operaciones de aprendizaje automático (MLOps)

MLOps frente a conceptos afines

Es importante distinguir los MLOP de conceptos relacionados pero distintos:

• MLOps vs. AutoML: Aunque pueden trabajar juntos, su enfoque es diferente. Automated Machine Learning (AutoML) se centra en la automatización del proceso de creación de modelos, como el preprocesamiento de datos, la ingeniería de características y el ajuste de hiperparámetros. MLOps, por otro lado, cubre todo el ciclo de vida, incluyendo lo que viene después de la construcción del modelo, como el despliegue del modelo, la supervisión y la gobernanza. AutoML puede considerarse una herramienta dentro de un marco MLOps más amplio que acelera la fase de desarrollo.
• MLOps frente a DevOps: MLOps es una especialización de DevOps adaptada a las necesidades únicas del aprendizaje automático. Mientras que DevOps se centra en la automatización de la entrega de software a través de la integración continua y el despliegue continuo (CI/CD), MLOps amplía este paradigma para incluir los conductos de datos y modelos. Aborda retos que no suelen encontrarse en el desarrollo de software tradicional, como la desviación de datos, el versionado de modelos y la necesidad de reentrenamiento continuo.

Aplicaciones reales

Las prácticas de MLOps son esenciales para gestionar sistemas complejos de ML en entornos de producción.

1. Sistemas de recomendación: Empresas como Netflix o Spotify utilizan MLOps para reentrenar continuamente los modelos de sus sistemas de recomendación basándose en nuevos datos de interacción de los usuarios. Las canalizaciones de MLOps les permiten realizar pruebas A/B de diferentes versiones de modelos, supervisar las métricas de interacción y revertir rápidamente los modelos de bajo rendimiento, garantizando que las recomendaciones se mantengan actualizadas y personalizadas.
2. Detección de fraudes: Las instituciones financieras utilizan MLOps para gestionar modelos de detección de fraudes. Esto implica supervisar los datos de las transacciones en busca de nuevos patrones de actividad fraudulenta, reentrenar automáticamente los modelos con nuevos datos, garantizar una baja latencia de inferencia para la detección en tiempo real y mantener registros de auditoría para el cumplimiento de la normativa. Los modelos YOLO de Ultralytics utilizados en sistemas de inspección visual, que pueden contribuir a la detección de fraudes, también se benefician de MLOps para su despliegue y supervisión en dispositivos periféricos.

Herramientas y plataformas

Existe una gran variedad de herramientas para las distintas fases del ciclo de vida de MLOps, que permiten a los equipos crear flujos de trabajo eficientes y escalables.

• Seguimiento de experimentos y control de versiones: MLflow, Weights & Biases y Data Version Control (DVC) son herramientas populares para el seguimiento de experimentos y el control de versiones de datos y modelos. Ultralytics ofrece integración nativa con muchas de estas herramientas, incluyendo Weights & Biases.
• Orquestación de flujos de trabajo: Herramientas como Kubeflow Pipelines y Apache Airflow ayudan a automatizar y gestionar flujos de trabajo de ML complejos.
• Servicio de modelos: Para desplegar modelos a escala, se utilizan ampliamente plataformas como KServe, BentoML y NVIDIA Triton Inference Server. Los modelos de Ultralytics pueden exportarse a formatos como ONNX para que sean compatibles con estos servidores.
• Monitorización: Grafana y Prometheus se utilizan a menudo para crear cuadros de mando para supervisar el rendimiento del modelo y la salud del sistema.
• Plataformas integrales: Las plataformas integrales como Amazon SageMaker, Google Cloud AI Platform, Microsoft Azure Machine Learning y Ultralytics HUB proporcionan entornos integrados que cubren la mayoría, si no todas, las etapas de MLOps, desde la gestión de datos hasta la implementación y supervisión de modelos. Estas plataformas aprovechan la computación en la nube para proporcionar recursos escalables para la formación de modelos personalizados.