Las 5 mejores maneras de implantar MLOps en la empresa

El crecimiento del número de dispositivos conectados está suponiendo un incremento exponencial en la recolección de datos. Según un estudio realizado por la consultora IDC, se prevé que en 2025 los datos lleguen a alcanzar los 175 zettabytes en todo el mundo, 10 veces más de los que había en 2016. Para ese entonces, 6.000 millones de consumidores interactuarán con los datos cada día, es decir, el 75% de la población mundial. Se estima que cada persona conectada tendrá, al menos, una interacción con datos cada 18 segundos, especialmente con los miles de millones de dispositivos IoT conectados.

Este inmenso océano de datos es una fuente de información de incalculable valor, que las organizaciones pueden utilizar para mejorar la toma de decisiones o incluso abrir nuevas líneas de negocio. Sin embargo, necesita ser explotado. Para ello, los científicos de datos pueden extraer la información mediante técnicas de Inteligencia Artificial y Machine Learning, y poner en producción los modelos que han creado. Una vez superado este proceso, se debe gestionar su ciclo de vida, ya que los modelos irán perdiendo precisión a medida que las pautas e inclusión de nuevas variables vayan apareciendo.

En el desarrollo, entrenamiento y despliegue de modelos con procedimientos automatizados es necesario implementar una buena estrategia de MLOps, que es una práctica emergente en el campo de la inteligencia artificial y el machine learning que se enfoca en la integración de los procesos de desarrollo, despliegue y mantenimiento de modelos machine learning en producción. Existen cinco pasos clave para implementar un enfoque de MLOps y sacar el mejor partido a los datos que recibe una empresa:

Construir MLOps sobre una base flexible

Cuando se utilizan varios entornos para entrenar y procesar modelos de IA, es recomendable contar con una base flexible que les de soporte y que haga más eficiente la migración entre servicios. En este caso, el código abierto proporciona la flexibilidad necesaria ya que ofrece libertad de elección y la opción de aprovechar soluciones innovadoras, ya que en las comunidades globales de código abierto es donde se está produciendo la innovación en IA y ML.

El código abierto da además la posibilidad de ampliar la plataforma a medida que cambian las necesidades de la organización. Se trata de una modalidad de desarrollo de tecnología que permite modificar el software disponible para adaptarlo a las necesidades de las organizaciones y ampliarlo haciendo que este se adapte a las necesidades de negocio y no al revés.

La experimentación es esencial para los científicos de datos

Cuando hablamos de MLOps estamos haciendo referencia a la puesta en producción y ciclo de vida de los modelos de IA y para que esta metodología sea efectiva es necesario crear un entorno con herramientas innovadoras para que los científicos de datos tengan la oportunidad de experimentar. En estos casos, la tecnología open source permite mezclar y combinar tecnologías para ver qué funciona mejor en el análisis y el modelado. Esta experimentación da la posibilidad de ver cómo los esfuerzos que se emplean añaden valor a la empresa y a los clientes.

Involucrar a los desarrolladores usando la transparencia

En el ciclo de vida de una aplicación de IA existen, en realidad, dos partes. El ciclo de vida de los modelos de IA en el que los desarrolladores tradicionales van a tener poca o nula involucración y el ciclo de vida de la aplicación en sí. Desacoplar el ciclo de vida del modelo y la aplicación permite una implementación más eficiente de los modelos MLOps.

Los científicos de datos crearán y evolucionarán los modelos de IA según las necesidades del negocio, haciéndolos accesibles mediante endpoints REST, mientras que los desarrolladores se centrarán en mantener y evolucionar la aplicación. Ambos equipos serán completamente independientes y solo necesitarán conocer el API mediante el cual operarán.

Fomentar la colaboración

Una aplicación que utiliza IA se habrá de desacoplar en, una parte, de aplicación tradicional y, otra, de IA, teniendo ambas un ciclo de vida desacoplado. A pesar de este desacoplamiento, los desarrolladores, científicos de datos e ingenieros de datos deberán coordinarse para que la aplicación funcione correctamente. El uso de una plataforma común facilita no solo la colaboración sino que también la puesta en producción de todos los elementos que conforman la aplicación.

Por ejemplo, el uso de herramientas como Pachyderm que proporciona acceso a datos y permite el versionado de los mismos facilita que científicos e ingenieros de datos puedan trabajar con las mismas versiones de datos. Esto se puede hacer de forma nativa en la misma plataforma donde la organización despliega las aplicaciones y no en una tercera plataforma dificultando la interacción entre los equipos de IA y los desarrolladores.

La seguridad en el punto de mira

Una plataforma abierta y flexible permite mover las cargas de trabajo de forma más eficiente entre diferentes entornos. Sin embargo, este movimiento supone un importante reto de seguridad, que se hace mayor cuando en el desarrollo de las aplicaciones se usa IA, ya que dos equipos están involucrados en el proceso, con conocimientos y funciones completamente diferentes.

El poder integrar de forma transparente las herramientas de seguridad en el día a día de los ingenieros y científicos de datos es fundamental para acelerar el despliegue de aplicaciones de IA ya que permiten desde el primer momento asegurar que se cumplen las políticas de seguridad desde el primer paso en la creación de un modelo. De esta forma se evita el tener que volver a crearlo una segunda vez para cumplir la normativa de seguridad de la empresa. También permite garantizar la cadena de confianza (trusted supply chain) de todo el software utilizado, independientemente de la etapa de desarrollo.

La IA está transformando la forma de consumir y utilizar la tecnología, ya sea de forma interna, por los empleados, o de forma externa, por los clientes. Es necesario ser ágiles al incorporarla a nuestros procesos y hacerlo de la forma más rápida y segura posible integrándola con las herramientas ya existentes en la organización. Para conseguirlo, necesitaremos implementar una estrategia MLOps de la forma más eficiente y segura posible facilitando no solo el trabajo de los diferentes equipos, sino también su colaboración, para lograr una meta común: ayudar a la organización a utilizar todo el potencial que ofrece la IA.

Firmado: José Ángel de Bustos Pérez, Senior Specialist Solution Architect de Red Hat