MLOps

MLOps (de machine learning operations) es a los modelos de IA lo que DevOps es al software: un conjunto de prácticas y herramientas para que un modelo no se quede en el cuaderno de una científica de datos, sino que funcione en producción de forma estable, segura y repetible.

Cubre todo el ciclo: control de versiones de datos y modelos (saber exactamente con qué se entrenó cada versión), pipelines automáticos de entrenamiento y prueba, despliegue, evaluaciones continuas, monitoreo en producción y reentrenamiento cuando el desempeño cae, por ejemplo por deriva de datos. Con los modelos generativos se habla también de LLMOps, que añade cosas como versionar prompts y vigilar costos por token.

Existe porque el código del modelo es una parte pequeña del sistema. Un artículo de Google presentado en NeurIPS en 2015 («Hidden Technical Debt in Machine Learning Systems») describió cómo la recolección de datos, la configuración, el monitoreo y la infraestructura generan una «deuda técnica» que, sin disciplina, vuelve frágiles los sistemas de IA.

MLOps no es una herramienta única que se compra: es una forma de trabajar que combina personas, procesos y plataformas. Para una pyme puede ser tan simple como registrar versiones y revisar mensualmente si las predicciones siguen acertando.