En tiempos donde la inteligencia artificial y el aprendizaje automático se han convertido en pilares fundamentales para la innovación empresarial, Crexi ha surgido como un referente en la implementación efectiva de modelos de machine learning a gran escala. La compañía, que opera como un mercado digital para transacciones de bienes raíces comerciales, ha adoptado un enfoque moderno y eficaz para la creación, despliegue y gestión de pipelines de IA/ML, satisfaciendo una amplia gama de requerimientos de proyectos.
En un contexto donde las herramientas para operaciones de aprendizaje automático (MLOps) están en constante evolución, Crexi ha optimizado su infraestructura usando servicios de AWS combinados con tecnologías como Datadog y Pulumi. Esta combinación no solo facilita la integración automática de MLOps, sino que también permite una monitorización continua, manteniendo la eficacia operativa a niveles óptimos.
El papel de Datadog es crucial en este ecosistema, ya que permite a los equipos de desarrollo y operaciones colaborar de manera efectiva para prevenir tiempos de inactividad y resolver problemas de rendimiento rápidamente. Asimismo, Pulumi, como plataforma de infraestructura como código (IaC), provee una solución para manejar los recursos en la nube mediante lenguajes de programación conocidos, simplificando la entrega y pruebas en el entorno cloud.
El núcleo de la arquitectura de Crexi utiliza disparadores de AWS Lambda para interactuar dinámicamente con Amazon SageMaker, ejecutando la lógica de inferencia de sus modelos. Los resultados se almacenan en Amazon S3 y Amazon Data Firehose, garantizando una integración sencilla con otros sistemas y procesos internos.
Para lograr un despliegue eficiente de sus modelos de ML, Crexi ha implementado una infraestructura de integración y despliegue continuo (CI/CD) gestionada por Pulumi. Este sistema no solo optimiza el tiempo de despliegue, sino que también proporciona mecanismos automáticos para revertir pipelines en caso de errores, además de supervisar continuamente la salud del sistema para detectar problemas de manera proactiva.
El proceso de implementación en Crexi se coordina a través de acciones de GitHub, ejecutando scripts de Pulumi para desplegar, actualizar y desmantelar pipelines de ML. Este procedimiento asegura una estructura reproducible y controlada, minimizando el riesgo de regresiones de código.
La monitorización mediante Datadog ofrece una visión en tiempo real del estado de las pipelines, facilitando un análisis sencillo y efectivo de eventos históricos y permitiendo la identificación rápida de cuellos de botella y errores potenciales.
Este sistema no solo cumple con las demandas actuales de IA/ML de Crexi, sino que también establece una base sólida para la innovación continua. Crexi sigue mostrando cómo la adopción estratégica de MLOps puede transformar la complejidad en oportunidad, garantizando un ciclo constante de mejora y adaptabilidad que mantendrá a la compañía a la vanguardia del sector.
