Glosario

Despliegue de modelos

Descubra los aspectos esenciales de la implementación de modelos, transformando los modelos de ML en herramientas del mundo real para predicciones, automatización e información impulsada por IA.

El despliegue de modelos es el proceso crítico de tomar un modelo de aprendizaje automático (ML) entrenado y hacerlo disponible 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. Se trata de una etapa crucial en el ciclo de vida del aprendizaje automático, ya que salva la distancia entre la creación de un modelo de ML y su uso real para generar valor en aplicaciones, sistemas o procesos empresariales. Comprender el despliegue es esencial para cualquier persona familiarizada con los conceptos básicos de ML que desee ver sus modelos aplicados de forma eficaz.

Relevancia de la implantación de modelos

Sin un despliegue eficaz, incluso el modelo más preciso sigue siendo un ejercicio académico, incapaz de proporcionar beneficios tangibles. La implantación es esencial para rentabilizar la inversión (ROI ) en proyectos de IA y ML. Permite a las organizaciones automatizar tareas, obtener información procesable a partir de los datos, mejorar las experiencias de los usuarios 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 de la implantación de modelos

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

Consideraciones importantes en la implantación de modelos

El despliegue eficaz de los modelos de ML requiere una planificación cuidadosa en torno a varios factores:

Despliegue de modelos frente a conceptos relacionados

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

  • Entrenamiento del modelo: Es el proceso de enseñar el modelo utilizando datos de entrenamiento. El despliegue se produce una vez que se ha entrenado un modelo satisfactorio(Consejos para el entrenamiento de modelos).
  • Inferencia: Es el proceso en el que un modelo entrenado y desplegado realiza predicciones sobre nuevos datos. El despliegue permite la inferencia en un entorno de producción. Más información sobre YOLO Thread-Safe Inference.
  • Servicio de modelos: Se refiere específicamente a la infraestructura (hardware y software) creada para alojar el modelo y responder a las solicitudes de inferencia de manera eficiente. Es un componente esencial del despliegue(glosario de Model Serving).

Herramientas y plataformas

Varias herramientas y plataformas simplifican el proceso de despliegue. Los marcos de trabajo de ML como PyTorch y TensorFlow a menudo proporcionan capacidades de exportación de modelos a varios formatos (por ejemplo, ONNX, TensorRT, CoreML) adecuados para diferentes objetivos de despliegue(guía de opciones de despliegue de modelos). Plataformas comoUltralytics HUB ofrecen soluciones integradas para la formación(Ultralytics 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). Proveedores en la nube como AWS, Azure y Google Cloud también ofrecen servicios integrales de despliegue.

Únase a la comunidad Ultralytics

Únase al futuro de la IA. Conecta, colabora y crece con innovadores de todo el mundo.

Únete ahora
Enlace copiado en el portapapeles