Glosario

Despliegue del modelo

Descubre lo esencial del despliegue de modelos, transformando los modelos ML en herramientas del mundo real para predicciones, automatización y conocimientos impulsados por la IA.

Entrena los modelos YOLO simplemente
con Ultralytics HUB

Saber más

El despliegue de modelos es el proceso crítico de tomar un modelo de aprendizaje automático (ML) entrenado y ponerlo a disposición para su uso en un entorno de producción en vivo. Este paso hace que el modelo pase de una fase de desarrollo o prueba a una herramienta operativa que puede generar predicciones(inferencia) sobre datos nuevos del mundo real. Es una etapa crucial en el ciclo de vida del aprendizaje automático, que salva la distancia entre la construcción de un modelo de ML y su uso real para aportar valor en aplicaciones, sistemas o procesos empresariales. Comprender el despliegue es esencial para cualquier persona familiarizada con los conceptos básicos del ML que quiera ver sus modelos aplicados de forma eficaz.

Relevancia del despliegue del modelo

Sin un despliegue eficaz, incluso el modelo más preciso sigue siendo un ejercicio académico, incapaz de proporcionar beneficios tangibles. El despliegue es esencial para rentabilizar la inversión (ROI ) en proyectos de IA y ML. Permite a las organizaciones automatizar tareas, obtener información procesable de los datos, mejorar la experiencia del usuario e impulsar la toma de decisiones informadas. Un despliegue satisfactorio garantiza que los recursos invertidos en la formación de modelos se traduzcan en resultados prácticos. El funcionamiento continuo a menudo implica la supervisión y el mantenimiento del modelo para garantizar que el rendimiento no se degrade con el tiempo debido a factores como la desviación de los datos. Seguir las mejores prácticas para el despliegue de modelos es clave para el éxito.

Aplicaciones del despliegue de modelos

El despliegue de modelos permite una amplia gama de aplicaciones potenciadas por la IA en todos los sectores. He aquí un par de ejemplos concretos:

Consideraciones importantes en la implantación de modelos

Desplegar modelos ML de forma eficaz requiere una planificación cuidadosa en torno a varios factores:

Despliegue del modelo frente a conceptos relacionados

Es útil distinguir el despliegue del modelo de las etapas y conceptos relacionados:

  • Entrenamiento del modelo: Es el proceso de enseñar el modelo utilizando datos de entrenamiento. El despliegue se produce después de haber entrenado un modelo satisfactorio(Consejos para el entrenamiento de modelos).
  • Inferencia: Es el proceso en el que un modelo entrenado y desplegado hace predicciones sobre nuevos datos. El despliegue permite la inferencia en un entorno de producción. Más información sobre la inferencia segura de hilosYOLO .
  • Servicio del modelo: Se refiere específicamente a la infraestructura (hardware y software) configurada para alojar el modelo y responder a las solicitudes de inferencia con eficacia. Es un componente esencial del despliegue(glosario delServicio de Modelos).

Herramientas y plataformas

Diversas herramientas y plataformas simplifican el proceso de despliegue. Frameworks de ML como PyTorch y TensorFlow suelen proporcionar capacidades de exportación de modelos a varios formatos (por ejemplo, ONNX, TensorRT, CoreML) adecuadas para diferentes objetivos de despliegue(guía de opciones de despliegue de modelos). Plataformas como Ultralytics HUB ofrecen soluciones integradas para el entrenamientoUltralytics HUB Cloud Training), el seguimiento y el despliegue de modelos de visión por ordenador, agilizando el flujo de trabajo desde el desarrollo hasta la producción(Train and deploy YOLO11 using Ultralytics HUB). Los proveedores de la nube, como AWS, Azure y Google Cloud, también ofrecen servicios completos de despliegue.

Leer todo