Machine Learning Operations (MLOps)

Las Operaciones de aprendizaje automático (MLOps) son un conjunto de prácticas, principios y tecnologías que optimizan el proceso de llevar modelos de aprendizaje automático (ML) desde el desarrollo experimental hasta el despliegue fiable en producción. Al combinar la naturaleza exploratoria de la ciencia de datos con la disciplina rigurosa de DevOps, MLOps pretende unificar el ciclo de lanzamiento para aplicaciones de Inteligencia Artificial (IA). Mientras que el desarrollo de software tradicional se centra principalmente en el control de versiones del código, MLOps introduce las complejidades adicionales de gestionar datos a gran escala y comportamientos de modelos en evolución. Este enfoque holístico garantiza que los sistemas de IA permanezcan escalables, precisos y gobernados durante todo su ciclo de vida.

Link to this sectionLos pilares de MLOps#

Las implementaciones exitosas de MLOps dependen de tender un puente entre tres disciplinas distintas: ingeniería de datos, aprendizaje automático y DevOps.

• Integración y entrega continuas (CI/CD): Al igual que el software estándar utiliza tuberías CI/CD para automatizar las pruebas y el despliegue, las tuberías MLOps automatizan el entrenamiento y la validación de modelos. Esto garantiza que los cambios en el código o los datos activen automáticamente pasos para verificar el rendimiento del modelo antes de que las actualizaciones lleguen a producción.
• Versionado de datos y modelos: En la programación tradicional, solo versionas el código fuente. En MLOps, los equipos deben utilizar herramientas como DVC (Control de versiones de datos) para realizar un seguimiento de los cambios en los datos de entrenamiento junto con los hiperparámetros del modelo. Esto garantiza la reproducibilidad, lo que permite a los ingenieros recrear cualquier versión específica del modelo a partir del historial.
• Monitoreo continuo: Una vez desplegados, los modelos pueden degradarse debido a la deriva del concepto, donde las propiedades estadísticas de la variable objetivo cambian con el tiempo. MLOps implica la configuración de sistemas de observabilidad para rastrear métricas como la latencia de inferencia y la precisión, alertando automáticamente a los equipos cuando es necesario volver a entrenar.

Link to this sectionAplicaciones en el mundo real#

MLOps es la columna vertebral de la IA empresarial moderna, permitiendo a las empresas escalar desde un solo modelo hasta miles de puntos finales desplegados de forma fiable.

1. Mantenimiento predictivo en la fabricación: Las fábricas utilizan visión artificial para identificar defectos en las líneas de montaje. Una tubería MLOps garantiza que, a medida que se introducen nuevas líneas de productos, los modelos de detección de objetos sean reentrenados con nuevas imágenes, versionados y desplegados automáticamente en dispositivos perimetrales de la fábrica sin tiempo de inactividad. Esto garantiza que la inspección de calidad siga siendo coherente incluso a medida que cambian las condiciones de fabricación.

2. Inventario minorista inteligente: Los minoristas despliegan cámaras para realizar un seguimiento del stock en estanterías. Dado que la iluminación de la tienda y el embalaje de los productos cambian con frecuencia, la deriva del modelo es un riesgo constante. Los sistemas MLOps monitorean las puntuaciones de confianza; si la confianza cae, el sistema marca las imágenes para su anotación e inicia un ciclo de reentrenamiento en la nube, enviando un modelo actualizado a las tiendas para mantener la gestión automatizada de inventario.

Link to this sectionImplementación de MLOps con Ultralytics#

Un paso crítico en cualquier flujo de trabajo MLOps es el seguimiento de experimentos. Esto garantiza que cada ejecución de entrenamiento se registre con su configuración específica, lo que permite a los equipos reproducir los resultados o volver a versiones anteriores si es necesario.

El siguiente ejemplo demuestra cómo entrenar un modelo YOLO26 —el modelo de última generación más reciente de Ultralytics recomendado para todos los proyectos nuevos— mientras se habilita el seguimiento del proyecto. Esto crea de forma natural los artefactos necesarios para una tubería de producción.

from ultralytics import YOLO

# Load the YOLO26 model (recommended for superior speed and accuracy)
model = YOLO("yolo26n.pt")

# Train the model while specifying project and name for organized logging
# This creates a structured directory of artifacts (weights, charts, args)
# which is essential for reproducibility in MLOps pipelines.
results = model.train(data="coco8.yaml", epochs=10, project="mlops_experiments", name="run_v1")

By organizing training runs into specific projects, teams can easily integrate tools like MLflow or TensorBoard to visualize performance metrics over time. As organizations scale, they often migrate these workflows to the Ultralytics Platform, which provides a unified interface for managing datasets, training remotely, and deploying models to various formats like TensorRT for optimized inference speed.

Link to this sectionMLOps frente a conceptos relacionados#

Para implementar estas prácticas de forma eficaz, es importante distinguir MLOps de los términos relacionados en el ecosistema.

• MLOps frente a DevOps: DevOps se centra en la entrega continua de aplicaciones de software. MLOps amplía estos principios añadiendo "Datos" y "Modelo" como ciudadanos de primera clase. En DevOps, un cambio de código activa una compilación; en MLOps, un cambio en las distribuciones de datos o una caída en la precisión también pueden activar una nueva ejecución de la tubería.
• MLOps frente al servicio de modelos: El servicio de modelos se refiere específicamente a la infraestructura utilizada para alojar un modelo y procesar solicitudes de inferencia. MLOps es el marco más amplio que abarca el servicio, pero también incluye las fases de entrenamiento, gobernanza y monitoreo.
• MLOps frente a AutoML: El aprendizaje automático automatizado (AutoML) se centra en automatizar el proceso de creación de modelos (p. ej., seleccionar algoritmos). MLOps gestiona el ciclo de vida de ese modelo después de que haya sido creado y pone en funcionamiento la tubería que ejecuta las herramientas AutoML.