En el último tiempo, muchos científicos de datos se han centrado en crear modelos sobresalientes y descubrir cómo exprimir hasta la última gota de rendimiento de ellos. Sin embargo, muchos se han dado cuenta de que crear modelos de alto rendimiento no equivale necesariamente a que generen valor comercial.; y a menudo, los mejores modelos pueden ser muy complejos y costosos de ejecutar en producción. De hecho, la gran mayoría de los modelos (87%) nunca llegan a la producción según VentureBeat.
Para solucionar este problema es que nace Machine Learning Operations. MLOps, por sus siglas en inglés, es la práctica que garantiza que los modelos creados por el equipo de ciencia de datos se implementen en producción. Así, este es el término general que encapsula las tecnologías que automatizan la administración, implementación, monitoreo y alertas de los modelos de Machine Learning: el equipo de ciencia de datos lo crea y MLOps garantiza que la infraestructura de nivel de producción esté ahí para ejecutarlo.
Además, sin MLOps, el equipo de Data Science tendría que implementar y mantener sus modelos manualmente cada mes. Este trabajo es rutinario, requiere mucho tiempo y no produce los nuevos modelos que realmente hacen avanzar el negocio. Afortunadamente, con MLOps, su equipo puede automatizar la mayor parte de este tedioso trabajo, lo que genera un ahorro sustancial de tiempo y mantiene a su equipo de ciencia de datos enfocado en un trabajo atractivo y de alto valor.
Puede ser un proceso arduo volver a entrenar un modelo implementado. Sin embargo, un proceso MLOps eficiente sabe que querrá volver a entrenar sus modelos en unos pocos días/semanas/meses de todos modos. Por lo tanto, implementa flujos de trabajo rápidos y repetibles que le permiten tener en cuenta la desviación del modelo o volver a entrenar completamente un modelo con datos nuevos.
La implementación de tales prácticas ha sido un cuello de botella para los equipos de ciencia de datos durante mucho tiempo, y solo recientemente han aparecido herramientas en el mercado para hacer esto. Estos procesos de Integración Continua/Despliegue Continuo (CI/CD) y Flujos de Trabajo de Aprobación de Modelos están dando resultados muy positivos, y podemos esperar verlos implementados cada vez más.
AI Cloud de H2O
Descubre cómo podemos ayudarte a transformar tus procesos con automatización e inteligencia artificial.
Contáctanos