Saltar al contenido ForoHackers

MLOps: por dónde empezar

MLOps
#348 · Ophuscado · · Denunciar

MLOps es la ingeniería que saca un modelo de aprendizaje automático de un cuaderno y lo mantiene funcionando en producción: entrenamiento reproducible, datos y modelos versionados, despliegue, monitorización y reentrenamiento. Un modelo es código más datos más configuración, y se degrada a medida que el mundo cambia, así que el flujo que lo rodea importa más que cualquier ejecución aislada.

Conceptos clave

  • Reproducibilidad: semillas fijas, dependencias fijadas, configuración registrada y datos versionados, para poder repetir una ejecución.
  • Pipelines: validación de datos, cálculo de características, entrenamiento, evaluación y empaquetado como pasos automáticos.
  • Patrones de despliegue: puntuación por lotes, servicio en línea, lanzamientos en sombra y canarios, con una vuelta atrás rápida.
  • Monitorización: latencia y errores, pero también deriva de las entradas, deriva de las predicciones y calidad frente a etiquetas que llegan tarde.
  • Desajuste entre entrenamiento y servicio: las características calculadas de distinta forma fuera de línea y en línea producen fallos silenciosos.

Vocabulario

  • Feature store: un sistema compartido que sirve las mismas definiciones de características para entrenar y para servir.
  • Registro de modelos: un catálogo de versiones de modelos con sus métricas y su estado.
  • Deriva de datos: la distribución de entrada en producción se aleja de la de entrenamiento.
  • Deriva de concepto: la relación entre las entradas y la respuesta correcta cambia con el tiempo.

Qué estudiar, en orden

  1. Git, contenedores y un pipeline de CI, en lo que se apoya todo lo demás.
  2. Toma un modelo pequeño, automatiza su entrenamiento de punta a punta y consigue que dos ejecuciones den resultados idénticos.
  3. Versiona los datos y registra cada experimento con sus parámetros y métricas.
  4. Sirve el modelo tras una API HTTP con validación de entradas, pruebas y una medición de latencia.
  5. Añade monitorización de deriva, simula un cambio en las entradas y escribe el procedimiento de reentrenamiento y vuelta atrás.

Etiquetas relacionadas

#machine-learning #devops #ci-cd #observability #data-engineering

Inicia sesión o únete para responder.