El desarrollo de MLOps, conocido como machine learning operations, está transformando la manera en que las empresas implementan modelos de aprendizaje automático. Esta disciplina, que combina personas, procesos y tecnología, es fundamental para garantizar la eficiencia en la ejecución de casos de uso de aprendizaje automático, creando plataformas que aseguran la reproducibilidad y robustez del ciclo de vida de los modelos.
Para las empresas, adoptar plataformas MLOps es crucial, permitiendo el seguimiento y la observabilidad total del proceso. Estas plataformas funcionan bajo un sistema de múltiples cuentas, con estrictas medidas de seguridad y buenas prácticas de desarrollo, como la implementación automática mediante tecnologías de integración y entrega continua (CI/CD). Este enfoque asegura que las interacciones se limiten a cambios realizados en los repositorios de código.
Entre las herramientas destacadas en esta área se encuentra Terraform, desarrollada por HashiCorp. Esta solución es ampliamente utilizada para desarrollar, construir y estandarizar infraestructuras en la nube, especialmente en entornos multi-nube. Combinada con plataformas como GitHub, Terraform está promoviendo una colaboración más estrecha entre las comunidades de DevOps y MLOps a nivel global.
Un artículo reciente explora cómo implementar una plataforma MLOps empleando Terraform junto con GitHub y GitHub Actions. Este enfoque se centra en crear una infraestructura robusta para construir pipelines de entrenamiento eficaces, registrando modelos en el Registro de Modelos de Amazon SageMaker, lo que simplifica el proceso de desarrollo y despliegue de modelos.
Los científicos de datos y los ingenieros podrán utilizar plantillas del proyecto SageMaker adaptadas a sus necesidades, con configuraciones previamente establecidas que crean repositorios privados en GitHub, adaptables a cada caso específico. Esta automatización se logra mediante modelos reutilizables de Terraform, diseñados para ser implementados en diversos entornos.
Además, las plantillas personalizadas de SageMaker, enfocadas en el entrenamiento y evaluación de modelos, están disponibles para guiar a las organizaciones. Cada proyecto SageMaker utiliza una plantilla de AWS CloudFormation para gestionar infraestructura y recursos, agilizando y reduciendo errores en la fase de implementación.
La implementación de estas plataformas está en auge, ya que ofrecen guías claras para preparar infraestructuras en AWS, establecer organizaciones en GitHub y gestionar recursos mediante backends de Terraform, todo ello con el objetivo de ofrecer una experiencia de usuario más accesible y eficiente.
