La función principal de MLOps es automatizar los pasos más repetibles en los flujos de trabajo de ML de los científicos de datos y los ingenieros de ML, desde el desarrollo y la capacitación de modelos hasta la implementación y operación de modelos (servicio de modelos). La automatización de estos pasos crea agilidad para las empresas y mejores experiencias para los usuarios y clientes finales, lo que aumenta la velocidad, el poder y la confiabilidad de ML. Estos procesos automatizados también pueden mitigar el riesgo y liberar a los desarrolladores de tareas rutinarias, lo que les permite dedicar más tiempo a la innovación. Todo esto contribuye al resultado final: una Estudio global 2021 de McKinsey descubrió que las empresas que escalan con éxito la IA pueden agregar hasta un 20 por ciento a sus ganancias antes de intereses e impuestos (EBIT).
“No es raro que las empresas con cap acidades sofisticadas de ML incuben diferentes herramientas de ML en bolsillos individuales del negocio”, dice Vincent David, director senior de aprendizaje automático en Capital One. “Pero a menudo comienzas a ver paralelos: los sistemas ML hacen cosas similares, pero con un giro ligeramente diferente. Las empresas que están descubriendo cómo aprovechar al máximo sus inversiones en ML están unificando y potenciando sus mejores capacidades de ML para crear herramientas y plataformas estandarizadas y fundamentales que todos pueden usar y, en última instancia, crear un valor diferenciado en el mercado”.
En la práctica, MLOps requiere una estrecha colaboración entre los científicos de datos, los ingenieros de ML y los ingenieros de confiabilidad del sitio (SRE) para garantizar la reproducibilidad, el monitoreo y el mantenimiento constantes de los modelos de ML. En los últimos años, Capital One ha desarrollado las mejores prácticas de MLOps que se aplican en todas las industrias: equilibrar las necesidades de los usuarios, adoptar una pila de tecnología común basada en la nube y plataformas fundamentales, aprovechar las herramientas de código abierto y garantizar el nivel adecuado de accesibilidad y gobernanza. tanto para datos como para modelos.
Comprender las diferentes necesidades de los diferentes usuarios.
Las aplicaciones de ML generalmente tienen dos tipos principales de usuarios: expertos técnicos (científicos de datos e ingenieros de ML) y expertos no técnicos (analistas comerciales), y es importante lograr un equilibrio entre sus diferentes necesidades. Los expertos técnicos a menudo prefieren la libertad total para usar todas las herramientas disponibles para construir modelos para los casos de uso previstos. Los expertos no técnicos, por otro lado, necesitan herramientas fáciles de usar que les permitan acceder a los datos que necesitan para crear valor en sus propios flujos de trabajo.
Para crear procesos y flujos de trabajo consistentes y satisfacer a ambos grupos, David recomienda reunirse con el equipo de diseño de aplicaciones y los expertos en la materia en una variedad de casos de uso. “Observamos casos específicos para comprender los problemas, de modo que los usuarios obtengan lo que necesitan para beneficiar su trabajo, específicamente, pero también a la empresa en general”, dice. “La clave es descubrir cómo crear las capacidades correctas mientras se equilibran las diversas necesidades comerciales y de las partes interesadas dentro de la empresa”.
Adoptar una pila de tecnología común
La colaboración entre los equipos de desarrollo, fundamental para MLOps exitosos, puede ser difícil y llevar mucho tiempo si estos equipos no utilizan la misma pila de tecnología. Una pila de tecnología unificada permite a los desarrolladores estandarizar, reutilizar componentes, funciones y herramientas en modelos como ladrillos Lego. “Eso facilita la combinación de capacidades relacionadas para que los desarrolladores no pierdan el tiempo cambiando de un modelo o sistema a otro”, dice David.
Una pila nativa de la nube, creada para aprovechar el modelo de nube de computación distribuida, permite a los desarrolladores autoservicio de infraestructura bajo demanda, aprovechando continuamente nuevas capacidades e introduciendo nuevos servicios. La decisión de Capital One de apostar por la nube pública ha tenido un impacto notable en la eficiencia y la velocidad de los desarrolladores. Los lanzamientos de código a producción ahora ocurren mucho más rápido, y las plataformas y modelos de ML son reutilizables en toda la empresa.
Ahorre tiempo con herramientas de aprendizaje automático de código abierto
Las herramientas de ML de código abierto (código y programas disponibles gratuitamente para que cualquiera los use y adapte) son ingredientes centrales para crear una base sólida en la nube y una pila tecnológica unificada. El uso de herramientas de código abierto existentes significa que la empresa no necesita dedicar valiosos recursos técnicos para reinventar la rueda, acelerando el ritmo al que los equipos pueden construir e implementar modelos.