Despliegue del modelo

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:

• Gestión de Inventarios de Minoristas: Un Ultralytics YOLO entrenado para la detección de objetos. Las cámaras captan imágenes de las estanterías, y el modelo desplegado identifica y cuenta los productos en tiempo real, automatizando las comprobaciones de inventario y reduciendo las roturas de stock. Esto es un ejemplo de IA para una gestión más inteligente del inventario minorista.
• Análisis de imágenes médicas: Un modelo entrenado para detectar anomalías en exploraciones médicas (por ejemplo, identificar tumores) puede desplegarse en los departamentos de radiología de los hospitales. Ayuda a los radiólogos destacando posibles áreas de preocupación en radiografías o resonancias magnéticas, lo que puede acelerar el diagnóstico y mejorar la precisión. Más información sobre la IA en las soluciones sanitarias y el análisis de imágenes médicas.

Consideraciones importantes en la implantación de modelos

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

• Escalabilidad: La infraestructura de despliegue debe manejar cargas variables. Esto puede implicar el uso de recursos informáticos en la nube que puedan escalarse automáticamente o el despliegue eficaz de los modelos en dispositivos informáticos periféricos con recursos limitados. Comprender los principios de la escalabilidad es crucial.
• Latencia y rendimiento: Las aplicaciones suelen tener requisitos estrictos en cuanto al tiempo de respuesta(latencia de inferencia) y el número de predicciones por segundo (rendimiento). Optimizar los modelos utilizando técnicas como la cuantización o la poda de modelos, y elegir el hardware adecuado (GPU, CPU, TPU) son importantes. Explora la optimización de OpenVINO para la latencia frente al rendimiento.
• Entorno de despliegue: Los modelos pueden desplegarse de varias formas: como un servicio web al que se accede a través de una API (Interfaz de Programación de Aplicaciones), empaquetados en contenedores utilizando herramientas como Docker(Guía de inicio rápido de Docker), o incrustados directamente en hardware como Raspberry Pi o NVIDIA Jetson.
• MLOps (Operaciones de Aprendizaje Automático): Se trata de prácticas para automatizar y agilizar el ciclo de vida de ML de principio a fin, incluyendo el despliegue, la supervisión y el reentrenamiento. Los principios MLOps garantizan la fiabilidad y la capacidad de mantenimiento. Más información sobre las integraciones MLOps deUltralytics.

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.