MLOps unifica el desarrollo de procesos de Machine Learning para mejorar la productividad del negocio”, explicó Gema Correa, quien nos introdujo MLOps en la Bosonit TechXperience nº 21
Nuestra vigésimo primera edición de las TechXperience, que celebramos cada mes en Bosonit, tuvo como protagonista a Gema Correa, MLOps Senior Experience Consultant, quien nos explicó qué es MLOps, para más tarde, repasar cómo se aplica a los proyectos.
Una charla que nos permitió conocer los aspectos clave de MLOps. Hoy traemos los puntos más interesantes de esta TechXperience.
¿Qué es MLOps?
Acrónimo de Machine Learning Operations, está basado en los principios y las prácticas de DevOps para aumentar la eficacia de los flujos de trabajo en proyectos de Machine Learning, combinando herramientas usadas en los equipos de ciencia de datos y software para fortalecer el desarrollo y la implementación de modelos. Surge de una necesidad presente en las buenas prácticas ágiles y el auge de la combinación entre desarrollo (Dev), las operaciones de IT (Ops) que nos brinda el paradigma DevOps y el uso de modelos de Machine Learning (ML)
Al igual que DevOps transformó la forma en que se desarrolla y se opera el software, MLOps busca hacer lo mismo para Machine Learning, permitiendo que las organizaciones saquen el máximo provecho de sus inversiones en el mundo de IA.
Fases de MLOps: Del desarrollo al despliegue
Una vez introducido el tema de estudio, Gema explicó cómo gestionar eficazmente el ciclo de vida de modelos de Machine Learning.
Dentro de la gestión efectiva del ciclo de vida de los modelos, explicó que puede haber diferentes fases, ella las dividió en 5:
- Planificación y definición de objetivos.
- Adquisición y preparación de datos.
- Entrenamiento, validación y evaluación del modelo.
- Implementación del modelo.
- Aplicar gobernanza y control del modelo para su monitoreo y mantenimiento.
MLflow en acción
Dentro de este ámbito, la especialista en MLOps, detalló una de las herramientas, MLflow. Dicha herramienta de open-source, nos permite simplificar el desarrollo, seguimiento y despliegue para la gestión del ciclo de vida de modelos de Machine Learning. Además, su utilidad en entornos on-premise y/o cloud permite su adaptabilidad a una gran variedad de entornos.
Componentes de MLflow
- MLflow Tracking
Se utiliza para el seguimiento y registro de experimentos de ML. Permite registrar parámetros, métricas y artefactos de un experimento, lo que facilita la comparación y reproducibilidad de los resultados.
- MLflow Projects
Se encarga de empaquetar el código con sus dependencias, lo que permite reproducir y compartir experimentos de ML en diferentes entornos y configuraciones.
- MLflow Models
Empaqueta y despliega los modelos de forma estandarizada, para su puesta en producción y consumo con terceros, como Azure ML o mediante una REST API.
- MLflow Registry
Centraliza los modelos para administrar el seguimiento de las versiones y su gestión.
Un viaje por la gestión de modelos de Machine Learning
Para concluir su presentación, Gema Correa puso un ejemplo práctico para ilustrar a los espectadores con un caso de uso sobre la gestión de un modelo de Machine Learning con MLflow.
Además, nuestra compañera finalizó su TechExperiencie resaltando el papel estratégico del MLOps en las organizaciones. “Su implementación puede ayudar a las organizaciones a aprovechar al máximo sus inversiones en IA/ML, impulsando la toma de decisiones basada en datos y la innovación en una gran gama de áreas”, concluyó Gema Correa.
Para usar el enfoque de MLOps se necesitan comprender previamente algunas disciplinas como Machine Learning y DevOps”
Gema Correa
Gema Correa es ingeniera informática especializada en Computación en Sistemas Inteligentes. Actualmente ocupa el puesto de MLOps Senior Experience Consultant en Bosonit, trabajando de la mano de entidades de gran relevancia como el banco Santander.
A lo largo de su trayectoria profesional, realiza proyectos de gran valor como investigadora, y ha pasado por roles como Lead Machine Learning Engineer, Data Engineer o Technical Business Analyst, que le han permitido ser especialista en MLOps y adquirir experiencia en el sector tecnológico.
