Machine Learning Operations (MLOps)

Las operaciones de aprendizaje automático (MLOps) son un conjunto de prácticas, principios y tecnologías que agilizan el proceso de llevar modelos de aprendizaje automático (ML) desde el desarrollo experimental hasta una implementación fiable en producción. Al combinar la naturaleza exploratoria de la ciencia de datos con la rigurosa disciplina de DevOps, MLOps pretende unificar el ciclo de lanzamiento de aplicaciones de inteligencia artificial (AI). Mientras que el desarrollo de software tradicional se centra principalmente en el control de versiones del código, MLOps introduce las complejidades adicionales de gestionar grandes volúmenes de datos y comportamientos cambiantes de los modelos. Este enfoque integral garantiza que los sistemas de AI sigan siendo escalables, precisos y estén sujetos a una gobernanza adecuada durante todo su ciclo de vida.

Los pilares de MLOps#

Las implementaciones exitosas de MLOps dependen de conectar tres disciplinas distintas: ingeniería de datos, aprendizaje automático y DevOps.

• Integración y entrega continuas (CI/CD): Al igual que el software estándar utiliza canalizaciones de CI/CD para automatizar las pruebas y la implementación, las canalizaciones de 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.
• Control de versiones de datos y modelos: En la programación tradicional, solo se controla la versión del 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.
• Supervisión continua: Una vez implementados, los modelos pueden degradarse debido al desplazamiento del concepto, en el que las propiedades estadísticas de la variable objetivo cambian con el tiempo. MLOps implica configurar sistemas de observabilidad para realizar un seguimiento de métricas como la latencia de inferencia y la precisión, y avisar automáticamente a los equipos cuando sea necesario volver a entrenar.

Aplicaciones en el mundo real#

MLOps es la columna vertebral de la AI empresarial moderna, ya que permite a las empresas escalar de un único modelo a miles de endpoints implementados de forma fiable.

1. Mantenimiento predictivo en la fabricación: Las fábricas utilizan la visión artificial para identificar defectos en las líneas de montaje. Una canalización de MLOps garantiza que, al introducir nuevas líneas de productos, los modelos de detección de objetos se vuelvan a entrenar con nuevas imágenes, se les aplique un control de versiones y se implementen automáticamente en los dispositivos edge de la fábrica sin interrupciones. Esto garantiza que la inspección de calidad siga siendo coherente incluso cuando cambien las condiciones de fabricación.

2. Inventario minorista inteligente: Los minoristas instalan cámaras para realizar un seguimiento de las existencias en los estantes. Como la iluminación de las tiendas y el embalaje de los productos cambian con frecuencia, la deriva del modelo es un riesgo constante. Los sistemas de MLOps supervisan las puntuaciones de confianza; si la confianza disminuye, 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 del inventario.

Implementación de MLOps con Ultralytics#

Un paso fundamental en cualquier flujo de trabajo de 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 muestra cómo entrenar un modelo YOLO26, el modelo de vanguardia 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 canalización 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")

Al organizar las ejecuciones de entrenamiento en proyectos específicos, los equipos pueden integrar fácilmente herramientas como MLflow o TensorBoard para visualizar las métricas de rendimiento a lo largo del tiempo. A medida que las organizaciones crecen, suelen migrar estos flujos de trabajo a Ultralytics Platform, que proporciona una interfaz unificada para gestionar conjuntos de datos, entrenar de forma remota e implementar modelos en diversos formatos, como TensorRT, para optimizar la velocidad de inferencia.

MLOps frente a conceptos relacionados#

Para implementar estas prácticas de forma eficaz, es importante distinguir MLOps de otros términos relacionados del ecosistema.

• MLOps frente a DevOps: DevOps se centra en la entrega continua de aplicaciones de software. MLOps amplía estos principios al añadir los «datos» y el «modelo» como elementos de primera clase. En DevOps, un cambio en el código activa una compilación; en MLOps, un cambio en la distribución de los datos o una disminución de la precisión también puede activar una nueva ejecución de la canalización.
• MLOps frente a la puesta en producción de modelos: La puesta en producción de modelos se refiere específicamente a la infraestructura utilizada para alojar un modelo y procesar solicitudes de inferencia. MLOps es el concepto más amplio que engloba la puesta en producción, pero también incluye las fases de entrenamiento, gobernanza y supervisión.
• MLOps frente a AutoML: El aprendizaje automático automatizado (AutoML) se centra en automatizar el proceso de creación de modelos (por ejemplo, la selección de algoritmos). MLOps gestiona el ciclo de vida de ese modelo después de su creación y operacionaliza la canalización que ejecuta las herramientas de AutoML.