Operaciones de Aprendizaje Automático (MLOps)

Las Operaciones de Aprendizaje Automático (MLOps) son un conjunto de prácticas que tienen como objetivo implementar y mantener modelos de Aprendizaje Automático (ML) en producción de manera fiable y eficiente. Inspirándose en los principios de DevOps, MLOps aplica conceptos similares a todo el ciclo de vida del modelo de IA, desde la recopilación de datos y el entrenamiento del modelo hasta la implementación y el monitoreo. El objetivo principal es automatizar y optimizar los procesos involucrados en llevar un modelo de ML desde un prototipo de investigación a una aplicación de producción robusta y escalable. Esto garantiza que los modelos no solo funcionen bien inicialmente, sino que también sigan siendo eficaces a lo largo del tiempo a medida que se disponga de nuevos datos.

MLOps vs. Conceptos relacionados

Es importante distinguir MLOps de conceptos relacionados pero distintos:

• MLOps vs. AutoML: Si bien pueden trabajar juntos, su enfoque es diferente. El Aprendizaje Automático Automatizado (AutoML) se centra en automatizar el 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 la implementación del modelo, la monitorización y la gobernanza. AutoML puede considerarse una herramienta dentro de un framework MLOps más grande que acelera la etapa de desarrollo.
• MLOps vs. 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 la Implementación Continua (CI/CD), MLOps extiende este paradigma para incluir los pipelines de datos y modelos. Aborda desafíos que no se encuentran típicamente en el desarrollo de software tradicional, como la deriva de datos, el versionado de modelos y la necesidad de un reentrenamiento continuo.

Aplicaciones en el mundo real

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

1. Sistemas de Recomendación: Empresas como Netflix o Spotify utilizan MLOps para reentrenar continuamente sus modelos de sistema de recomendación basándose en los nuevos datos de interacción del usuario. Los pipelines de MLOps les permiten realizar pruebas A/B de diferentes versiones de modelos, supervisar las métricas de engagement y revertir rápidamente los modelos de bajo rendimiento, garantizando que las recomendaciones se mantengan actualizadas y personalizadas.
2. Detección de Fraude: Las instituciones financieras implementan MLOps para gestionar los modelos de detección de fraude. Esto implica la supervisión de los datos de las transacciones en busca de nuevos patrones de actividad fraudulenta, el reentrenamiento automático de los modelos con nuevos datos, la garantía de una baja latencia de inferencia para la detección en tiempo real y el mantenimiento de pistas de auditoría para el cumplimiento de la normativa. Los modelos Ultralytics YOLO utilizados en los sistemas de inspección visual, que pueden alimentar la detección de fraude, también se benefician de MLOps para la implementación y la supervisión en dispositivos edge.

Herramientas y Plataformas

Existe una variedad de herramientas que dan soporte a las diferentes etapas del ciclo de vida de MLOps, lo que permite a los equipos construir flujos de trabajo eficientes y escalables.

• Seguimiento de experimentos y control de versiones: MLflow, Weights & Biases y Data Version Control (DVC) son 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 implementar modelos a escala, se utilizan ampliamente plataformas como KServe, BentoML y NVIDIA Triton Inference Server. Los modelos de Ultralytics se pueden exportar a formatos como ONNX para garantizar la compatibilidad con estos servidores.
• Monitoreo: Grafana y Prometheus se utilizan a menudo para crear paneles para monitorear el rendimiento del modelo y el estado del sistema.
• Plataformas Integrales (End-to-End): 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 el monitoreo de modelos. Estas plataformas aprovechan la computación en la nube para proporcionar recursos escalables para el entrenamiento de modelos personalizados.