![\"MLOps\"](\"https:\/\/itconnect.lat\/portal\/wp-content\/uploads\/2023\/10\/tinywow_Ilustration_V2_ai_artificial_intelligence_3_37543108-e1697555442876.webp\" "\\"\\"")
<\/a>Implementaci\u00f3n de Modelos:<\/strong> Aqu\u00ed es donde los Desarrolladores, maestros del dise\u00f1o y la ingenier\u00eda de software, entran en juego. Construyen el andamiaje digital que sostiene los modelos, creando sistemas s\u00f3lidos y eficientes. Su labor implica llevar estos modelos al entorno de la nube, donde pueden desplegarse y escalarse para satisfacer las demandas de un p\u00fablico \u00e1vido de datos. Cada l\u00ednea de c\u00f3digo es un ladrillo en la construcci\u00f3n de una estructura tecnol\u00f3gica que transforma las teor\u00edas en aplicaciones pr\u00e1cticas y funcionales.<\/p>\n Esta sinergia entre los Cient\u00edficos de Datos y los Desarrolladores no solo es un proceso t\u00e9cnico, sino un ballet de creatividad y precisi\u00f3n. Cada paso, desde la concepci\u00f3n del modelo hasta su implementaci\u00f3n en el mundo digital, es un acto de colaboraci\u00f3n que da vida a la promesa del aprendizaje autom\u00e1tico: hacer que la complejidad se vuelva comprensible y las ideas se conviertan en realidad.<\/p>\n La construcci\u00f3n de productos potenciados por el aprendizaje autom\u00e1tico va m\u00e1s all\u00e1 de los algoritmos y las l\u00edneas de c\u00f3digo. Se necesita un equipo multidisciplinario, cada uno con habilidades \u00fanicas, para dar vida a soluciones verdaderamente efectivas y \u00e9ticas:<\/p>\n Ingenier\u00eda de Datos:<\/strong> Aqu\u00ed, los expertos en ingenier\u00eda de datos desempe\u00f1an un papel crucial. Construyen intrincadas canalizaciones para reunir datos de diversas fuentes. Estos datos, a menudo desorganizados, se someten a una cuidadosa curaci\u00f3n y transformaci\u00f3n. El objetivo es convertirlos en una forma homog\u00e9nea y limpia, lista para ser segura y efectivamente utilizada en el entrenamiento de modelos.<\/p>\n Dise\u00f1o de Producto:<\/strong> El dise\u00f1o del producto es la esencia de la experiencia del usuario. Comprender las necesidades comerciales es fundamental. Esto implica identificar objetivos impactantes y matrices comerciales relevantes. Se definen las caracter\u00edsticas del producto y las historias de usuario, reconociendo los problemas espec\u00edficos que el aprendizaje autom\u00e1tico puede abordar de manera \u00f3ptima. El dise\u00f1o de la experiencia del usuario no solo implica una utilizaci\u00f3n fluida del modelo de aprendizaje autom\u00e1tico junto con otras caracter\u00edsticas del producto, sino tambi\u00e9n la recopilaci\u00f3n de la reacci\u00f3n del usuario. Esta retroalimentaci\u00f3n impl\u00edcita se convierte en una valiosa herramienta para mejorar continuamente los modelos.<\/p>\n An\u00e1lisis de Seguridad:<\/strong> La seguridad es una preocupaci\u00f3n central. Los expertos en seguridad se aseguran de que tanto el sistema de software como los datos y los modelos est\u00e9n protegidos. Se evita la revelaci\u00f3n de informaci\u00f3n personal identificable (PII) mediante la combinaci\u00f3n de resultados del modelo y otra informaci\u00f3n p\u00fablica. Esta vigilancia constante es esencial para mantener la confianza y la integridad del producto.<\/p>\n \u00c9tica en IA:<\/strong> Garantizar la \u00e9tica en la inteligencia artificial es imperativo. Esto implica no solo cumplir con las leyes aplicables, sino tambi\u00e9n incorporar medidas para prevenir sesgos y discriminaci\u00f3n. Limitar el alcance del modelo y agregar supervisi\u00f3n humana son solo algunos ejemplos de c\u00f3mo se abordan estas preocupaciones \u00e9ticas.<\/p>\n MLOps y la Integraci\u00f3n Continua:<\/strong> A medida que m\u00e1s modelos se despliegan en producci\u00f3n, surge la necesidad de MLOps. Este enfoque se centra en el dise\u00f1o y el funcionamiento suave de los modelos de aprendizaje autom\u00e1tico dentro del producto en su conjunto. El desarrollo de modelos ya no puede existir en un vac\u00edo; su impacto potencial en el producto y en el negocio en su conjunto es demasiado significativo. La integraci\u00f3n continua y la adaptaci\u00f3n constante son fundamentales para mantener la relevancia y la eficacia en este mundo din\u00e1mico del aprendizaje autom\u00e1tico.<\/p>\n Ciclo de Vida del Aprendizaje Autom\u00e1tico: Navegando en el Mar de Datos y Algoritmos<\/strong><\/p>\n Imaginemos un viaje intrigante a trav\u00e9s del vasto oc\u00e9ano de datos y algoritmos, donde cada fase representa una etapa crucial en la construcci\u00f3n de soluciones impulsadas por el aprendizaje autom\u00e1tico:<\/p>\n 1. Formulaci\u00f3n del Problema:<\/strong> Este es el puerto de partida, donde los Cient\u00edficos de Datos traducen objetivos comerciales en problemas de aprendizaje autom\u00e1tico. La tarea es reducir estos objetivos a un conjunto espec\u00edfico de problemas de ML<\/a> que puedan impulsar el prop\u00f3sito comercial. Pero aqu\u00ed tambi\u00e9n se plantean preguntas cruciales: \u00bfCu\u00e1l es el costo de los errores? \u00bfC\u00f3mo afectan los falsos positivos y negativos? La clave es comprender la relevancia del modelo en el contexto de la vida real y las implicaciones de sus predicciones.<\/p>\n 2. Recopilaci\u00f3n de Datos:<\/strong> En esta fase, la tripulaci\u00f3n del equipo de datos se embarca en la misi\u00f3n de reunir datos de diversas fuentes. A veces, este viaje comienza con poco o ning\u00fan dato y se desarrolla gradualmente a medida que los datos se enriquecen. Este proceso es como construir un tesoro: a medida que m\u00e1s datos se acumulan, m\u00e1s riqueza y variedad pueden ofrecer, haciendo que diferentes tipos de modelos sean viables.<\/p>\n 3. Preparaci\u00f3n y Transformaci\u00f3n de Datos:<\/strong> Los datos recopilados rara vez llegan en forma perfecta. Aqu\u00ed, los expertos en ingenier\u00eda de datos asumen el papel de artesanos, puliendo y refinando los datos para que se conviertan en gemas brillantes. Esto implica eliminar imperfecciones, llenar vac\u00edos y estructurarlos de manera que sean compatibles con los algoritmos de aprendizaje autom\u00e1tico.<\/p>\n 4. Evaluaci\u00f3n y Selecci\u00f3n del Modelo:<\/strong> En esta etapa, los Cient\u00edficos de Datos prueban varios modelos, realizan experimentos y comparan su rendimiento. Es como una competici\u00f3n de barcos, donde diferentes modelos compiten por la supremac\u00eda. La m\u00e9trica de evaluaci\u00f3n, cuidadosamente seleccionada para alinearse con los objetivos comerciales, se convierte en el faro que gu\u00eda la selecci\u00f3n del modelo \u00f3ptimo.<\/p>\n 5. Implementaci\u00f3n y Optimizaci\u00f3n Continua:<\/strong> Una vez que se selecciona el modelo adecuado, comienza la fase de implementaci\u00f3n. Los desarrolladores, como h\u00e1biles constructores de barcos, crean una estructura s\u00f3lida y la lanzan en el vasto oc\u00e9ano de la producci\u00f3n. Pero este viaje no termina aqu\u00ed; es un ciclo constante de optimizaci\u00f3n. Monitorear el rendimiento del modelo, analizar resultados y ajustar los algoritmos en funci\u00f3n de la retroalimentaci\u00f3n del mundo real se convierte en la br\u00fajula que gu\u00eda la mejora continua.<\/p>\n En este viaje, la colaboraci\u00f3n entre Cient\u00edficos de Datos, ingenieros y desarrolladores es fundamental. En el oscilante mar de datos y algoritmos, esta sinfon\u00eda de habilidades y conocimientos asegura que la traves\u00eda sea segura, eficiente y siempre orientada hacia el logro de los objetivos comerciales.<\/p>\n Imaginemos este viaje como una traves\u00eda sin fin a trav\u00e9s de oc\u00e9anos de datos y modelos.<\/p>\n Cada fase es una isla por s\u00ed misma, una etapa crucial en la creaci\u00f3n de soluciones de aprendizaje autom\u00e1tico.<\/p>\n 1. Recolecci\u00f3n:<\/strong> Es como lanzar redes en el vasto oc\u00e9ano digital, capturando datos de aplicaciones internas y fuentes externas. Los Ingenieros de Datos pescan en la web, capturan flujos de eventos de aplicaciones m\u00f3viles y exploran bases de datos operativas. Todos estos tesoros de datos se canalizan y almacenan en la zona “bruta\/aterrizaje\/bronce” del lago de datos, listos para su transformaci\u00f3n.<\/p>\n 2. Curaci\u00f3n:<\/strong> Estos tesoros, aunque valiosos, rara vez son perfectos. Aqu\u00ed, como artesanos meticulosos, limpiamos los datos, eliminamos duplicados y llenamos huecos vac\u00edos. Es un proceso de refinamiento, donde los datos se pulen y etiquetan, prepar\u00e1ndolos para su transformaci\u00f3n.<\/p>\n 3. Transformaci\u00f3n:<\/strong> Como alquimistas, los Ingenieros de Datos transforman estos datos en oro puro. Cambian estructuras, fusionan informaci\u00f3n y calculan caracter\u00edsticas \u00fanicas. Estas transformaciones crean tesoros valiosos, almacenados en la zona “transformado\/agregado\/oro” del lago de datos.<\/p>\n 4. Validaci\u00f3n:<\/strong> En esta fase, los guardianes de la integridad aseguran que nuestros tesoros sean genuinos. Los controles de calidad son como encantamientos, supervisando cada aspecto para garantizar la autenticidad. Cualquier desviaci\u00f3n activa alarmas, asegurando que nuestros tesoros est\u00e9n protegidos.<\/p>\n 5. Exploraci\u00f3n y Entrenamiento:<\/strong> Aqu\u00ed, como exploradores intr\u00e9pidos, los Cient\u00edficos de Datos navegan estos tesoros refinados. Realizan un An\u00e1lisis Exploratorio de Datos, desvelando secretos ocultos y patrones intrigantes. Luego, entrenan modelos como maestros alquimistas, experimentando y ajustando hasta encontrar las f\u00f3rmulas m\u00e1s poderosas.<\/p>\n 6. Evaluaci\u00f3n y Refinamiento:<\/strong> Finalmente, evaluamos nuestros tesoros frente a los objetivos comerciales y m\u00e9tricas. Cada evaluaci\u00f3n es como una prueba de fuego, revelando la verdadera calidad de nuestros tesoros. Si es necesario, nuestros tesoros se redefinen y se vuelven a pulir, listos para nuevas exploraciones en este viaje sin fin.<\/p>\n En este viaje interminable, los datos y modelos son tesoros invaluables que impulsan la innovaci\u00f3n. Cada fase de esta odisea es una oportunidad para descubrir y refinar tesoros ocultos, alimentando nuestro deseo de conocimiento y excelencia.<\/p>\n El bucle infinito de DevOps es el est\u00e1ndar de facto para el ciclo de vida del desarrollo de software para construir y desplegar r\u00e1pidamente aplicaciones y servicios de software en la nube.<\/p>\n Consta de dos conjuntos de actividades: dise\u00f1ar y desarrollar un sistema de software, e implementar y supervisar servicios y aplicaciones de software.<\/p>\n Ciclo de Vida del Desarrollo de Software<\/strong> Planificaci\u00f3n<\/strong> Esta es la primera etapa para cualquier producto o funci\u00f3n del producto. Discute los objetivos comerciales y las m\u00e9tricas clave del negocio, y qu\u00e9 caracter\u00edsticas del producto pueden ayudar a alcanzarlos. Analiza los problemas del usuario final y debate sobre los viajes del usuario para abordar esos problemas y recopilar datos necesarios para evaluar c\u00f3mo un modelo de ML est\u00e1 funcionando en el mundo real.<\/p>\n C\u00f3digo<\/strong> Dise\u00f1e y desarrolle el software, el producto o la aplicaci\u00f3n de extremo a extremo, y no solo los modelos de ML. Establezca contratos y API que el c\u00f3digo de la aplicaci\u00f3n utiliza para invocar la inferencia del modelo y consumir sus resultados, y tambi\u00e9n qu\u00e9 reacciones y comentarios de los usuarios se recopilar\u00e1n.<\/p>\n Es muy importante que los desarrolladores, ingenieros de datos y cient\u00edficos de datos est\u00e9n en la misma p\u00e1gina. Eso reducir\u00e1 sorpresas desagradables m\u00e1s tarde.<\/p>\n Construcci\u00f3n<\/strong> Esta etapa alimenta la Integraci\u00f3n Continua de varias partes a medida que evolucionan y se empaquetan en una forma que se lanzar\u00e1. Puede ser una biblioteca o SDK, una imagen de Docker o un binario de aplicaci\u00f3n (por ejemplo, apk para aplicaciones de Android).<\/p>\n Pruebas<\/strong> Pruebas unitarias, pruebas de integraci\u00f3n, pruebas de cobertura, pruebas de rendimiento, pruebas de carga, pruebas de privacidad, pruebas de seguridad y pruebas de sesgo. Piensa en todo tipo de pruebas de software y modelos de ML que sean aplicables aqu\u00ed y automat\u00edzalas tanto como sea posible.<\/p>\n Las pruebas se realizan en un entorno de ensayo que es similar al entorno de producci\u00f3n previsto pero no est\u00e1 dise\u00f1ado para una escala similar. Puede tener datos ficticios, artificiales o anonimizados para probar el sistema de software de extremo a extremo.<\/p>\n Liberaci\u00f3n<\/strong> Una vez que todas las pruebas automatizadas pasan y, en algunos casos, los resultados de las pruebas se inspeccionan manualmente, el c\u00f3digo del software o los modelos son aprobados para su lanzamiento. Al igual que el c\u00f3digo, los modelos tambi\u00e9n deben versionarse y capturar autom\u00e1ticamente los metadatos necesarios. As\u00ed como las im\u00e1genes de Docker se versionan en un repositorio de Docker, el modelo tambi\u00e9n debe persistir en un repositorio de modelos.<\/p>\n Si los modelos se empaquetan junto con el c\u00f3digo para el microservicio que sirve el modelo, entonces la imagen de Docker tambi\u00e9n tiene la imagen del modelo. Aqu\u00ed es donde termina la Integraci\u00f3n Continua y comienza la Implementaci\u00f3n Continua.<\/p>\n Implementaci\u00f3n<\/strong> Elegir los artefactos lanzados del repositorio de Docker o del almac\u00e9n de modelos y desplegarlos en la infraestructura de producci\u00f3n. Dependiendo de su necesidad, puede elegir Infraestructura como Servicio (IaaS), Contenedor como Servicio (CaaS) o Plataforma como Servicio (PaaS).<\/p>\n Tambi\u00e9n puede utilizar TensorFlow Serve, PyTorch Serve o servicios como SageMaker y Vertex AI para implementar sus servicios de modelo.<\/p>\n Operaci\u00f3n<\/strong> Una vez que los servicios se implementan, puede decidir enviar un peque\u00f1o porcentaje del tr\u00e1fico primero. La Implementaci\u00f3n de Canarios es una t\u00e1ctica com\u00fan para actualizar en fases (por ejemplo, 2%, 5%, 10%, 25%, 75%, 100%). En caso de un problema, comportamiento inesperado o una disminuci\u00f3n en las m\u00e9tricas, puede revertir la implementaci\u00f3n.<\/p>\n Una vez que la puerta est\u00e1 abierta al 100% del tr\u00e1fico, su infraestructura de implementaci\u00f3n debe bajar el servicio antiguo de manera adecuada. Tambi\u00e9n debe escalarse seg\u00fan los picos y ca\u00eddas de la carga. Kubernetes y KubeFlow son herramientas comunes para este prop\u00f3sito.<\/p>\n Monitoreo<\/strong> En esta fase final, monitoriza constantemente la salud de los servicios, errores, latencias, predicciones del modelo, valores at\u00edpicos y distribuci\u00f3n de las caracter\u00edsticas del modelo de entrada, etc. En caso de que surja un problema, dependiendo de la gravedad y el diagn\u00f3stico, puede revertir el sistema a una versi\u00f3n anterior, lanzar un parche, iniciar la reentrenamiento del modelo o hacer cualquier otra cosa que sea necesaria.<\/p>\n En este momento, es bastante com\u00fan que los cient\u00edficos de datos desarrollen un modelo y luego lo “lanzen” a los desarrolladores y ingenieros de ML para integrarlo con el resto del sistema y desplegarlo en producci\u00f3n.<\/p>\n Los silos de ML y Dev y la propiedad fragmentada son una de las razones m\u00e1s comunes por las que muchos proyectos de ML fallan. Unificar el desarrollo de modelos y software en un ciclo de vida de aprendizaje autom\u00e1tico proporciona la visibilidad tan necesaria para todas las partes interesadas.<\/p>\n El paso de Planificaci\u00f3n es el punto de partida. La planificaci\u00f3n del producto debe incluir no solo la funcionalidad del producto, sino tambi\u00e9n c\u00f3mo se mezclar\u00e1n los resultados del modelo y c\u00f3mo se capturar\u00e1n las reacciones del usuario en el dise\u00f1o de producci\u00f3n.<\/p>\n A diferencia del software tradicional, cuando se recopila m\u00e1s datos con el tiempo, la experiencia del usuario de los aspectos de ML de un producto puede necesitar una actualizaci\u00f3n para beneficiarse de \u00e9l, incluso si no hay una “nueva funcionalidad”.<\/p>\n A menudo, primero construyo una aplicaci\u00f3n de extremo a extremo con heur\u00edsticas basadas en reglas o un modelo falso, cortando el bucle de datos-ML por completo. Eso funciona como un modelo de referencia y es \u00fatil para recopilar datos. Tambi\u00e9n proporciona contexto a los cient\u00edficos de datos al mostrar c\u00f3mo se usar\u00e1 el modelo en el producto.<\/p>\n Desarrollar un modelo de ML es bastante diferente de desarrollar software. Los sistemas de software se pueden desarrollar incrementalmente (con algunas partes que no funcionan). A diferencia de las piezas de software, los modelos de ML no se pueden dividir en granularidad fina.<\/p>\n Un solo ciclo de vida no impide que las ruedas de Datos, ML, Dev y Ops giren a diferentes velocidades. De hecho, ya sucede en DevOps. En algunos equipos, no cada sprint de Dev resulta en una nueva versi\u00f3n que se implementa. Por otro lado, algunos equipos implementan nuevas versiones cada hora, es decir, cientos de veces en un solo sprint. Deje que cada rueda gire a su propia velocidad \u00f3ptima.<\/p>\n Estos son mis 3 preceptos para mejorar la tasa de \u00e9xito en el desarrollo e implementaci\u00f3n de productos asistidos por ML:<\/p>\n Consolidar la Propiedad:<\/strong> Equipo multifuncional responsable del proyecto de extremo a extremo.<\/p>\n Integrar Temprano:<\/strong> Implementar un modelo simple (basado en reglas o falso) y desarrollar una caracter\u00edstica del producto de extremo a extremo primero.<\/p>\n Iterar a Menudo:<\/strong> Construir mejores modelos y reemplazar el modelo simple, supervisar y repetir.<\/p>\n En la era de MLOps, el ciclo de vida del aprendizaje autom\u00e1tico se convierte en un viaje \u00e9pico donde los oc\u00e9anos de desarrollo de modelos se fusionan con las tierras del desarrollo de software. Es un viaje sin fin, donde los datos son tesoros y los modelos son mapas hacia la innovaci\u00f3n.<\/p>\n En la Recolecci\u00f3n,<\/strong> lanzamos redes en el vasto oc\u00e9ano digital, capturando datos de todas las fuentes posibles: aplicaciones internas, flujos web y bases de datos operativas. Estos datos crudos son los bloques de construcci\u00f3n de nuestros tesoros.<\/p>\n En la Curaci\u00f3n,<\/strong> nuestros artesanos meticulosos limpian y pulen estos datos, eliminando impurezas y llenando huecos vac\u00edos. Los datos se convierten en gemas listas para ser transformadas.<\/p>\n En la Transformaci\u00f3n,<\/strong> los alquimistas de datos fusionan informaci\u00f3n, calculan caracter\u00edsticas \u00fanicas y crean tesoros en la zona “transformado\/agregado\/oro”. Estos tesoros son nuestra clave para descubrir patrones ocultos y secretos en el oc\u00e9ano de datos.<\/p>\n En la Validaci\u00f3n,<\/strong> los guardianes de la integridad aseguran que nuestros tesoros sean genuinos, implementando encantamientos para protegerlos de cualquier desviaci\u00f3n.<\/p>\n En la Exploraci\u00f3n y Entrenamiento,<\/strong> somos exploradores intr\u00e9pidos, navegando tesoros refinados y entrenando modelos como maestros alquimistas. Cada experimento y ajuste nos acerca a las f\u00f3rmulas m\u00e1s poderosas.<\/p>\n En la Evaluaci\u00f3n y Refinamiento,<\/strong> enfrentamos nuestras creaciones a pruebas de fuego, evaluando su verdadera calidad frente a objetivos comerciales y m\u00e9tricas. Si es necesario, nuestros tesoros se redefinen y se vuelven a pulir para futuras exploraciones.<\/p>\n Este viaje infinito se ha convertido en una odisea en la que los datos y los modelos son tesoros invaluables que impulsan la innovaci\u00f3n. La fusi\u00f3n de las tierras de desarrollo de modelos y desarrollo de software en un nudo eterno de MLOps ha tra\u00eddo una nueva era de descubrimientos y posibilidades.<\/p>\n \u00a1Zarparemos juntos hacia el futuro, donde cada dato es un tesoro esperando ser descubierto!<\/p>\n <\/p>\n <\/p>\n Transistores IA: Consumo 99% Menos \u00a1Revoluci\u00f3n Inminente!<\/a><\/p>\n IA generativa: Dell Technologies acelera las transformaciones de la empresa 2023<\/a><\/p>\n IA segura: 5 pasos para garantizar que la IA generativa lo sea<\/a><\/p>\n mWISE Cybersecurity Conference 2023: Palabra del Director del FBI<\/a><\/p>\nContextualizaci\u00f3n Esencial:<\/strong><\/h3>\n
<\/a>El Viaje Infinito de los Datos y Modelos: Navegando las Etapas del Descubrimiento<\/strong><\/h3>\n
Ciclo de Vida del Desarrollo de Software<\/strong><\/h3>\n
Ciclo de Vida de MLOps<\/strong><\/h3>\n
Primero Construir el Producto Sin ML:<\/strong><\/h3>\n
Diferente Cadencia para el Desarrollo de Modelos y Software:<\/strong><\/h3>\n
Propiedad Consolidada, Integre Temprano, Itere a Menudo:<\/strong><\/h3>\n
Navegando el Mar de MLOps – Donde los Datos se Convierten en Tesoros<\/strong><\/h3>\n
<\/a>Por Marcelo Lozano – General Publisher IT CONNECT LATAM<\/h5>\n
Lea m\u00e1s sobre An\u00e1lisis de datos e IA<\/h6>\n