MLOps
En una frase
MLOps: las prácticas para desplegar, monitorear y mantener modelos de machine learning en producción de forma confiable.
¿Demasiado técnico? Ver explicación sencilla¿Quieres profundizar? Ver explicación técnica
Explícamelo fácil
Entrenar un modelo en una laptop es una cosa; que funcione bien durante años para millones de usuarios es otra. MLOps aplica al machine learning la disciplina del desarrollo de software moderno: versiones, pruebas automáticas, despliegues controlados y monitoreo.
Nivel técnico
Profundizando
Componentes: versionado de datos y modelos, seguimiento de experimentos, pipelines reproducibles de entrenamiento, registro de modelos, CI/CD, despliegue (canary, A/B), monitoreo de calidad y drift, y reentrenamiento. En sistemas con LLMs (a veces llamado LLMOps) el foco se desplaza a versionar prompts, evals continuas, trazas de conversaciones y control de costos.
¿Por qué importa?
La mayoría de los modelos que fallan en producción fallan por problemas operativos, no de algoritmo.
¿Dónde se utiliza?
- Modelos en producción
- Reentrenamiento periódico
- Auditoría de modelos