¿Cuáles son los riesgos que podemos encontrar a la hora de integrar en nuestra empresa la Inteligencia Artificial y el Machine Learning? Dado que estas tecnologías modifican el ciclo de vida de desarrollo del software, deberán entrar en juego nuevas disciplinas que apoyen este proceso.
Es el caso de MLOps, cuyo objetivo es unificar el desarrollo de sistemas de ML y su despliegue para estandarizar y optimizar la entrega continua de los modelos de alto rendimiento que se encuentran en producción. Para ello echa mano de los principios de DevOps.
Recapitulando sobre todo lo que ya sabemos de ML, de artículos anteriores, recordemos que ML no deja de ser una práctica científica y, como tal, no está exenta de errores e incertidumbre. Dado que para desarrollar ML se debe poner en práctica el método científico, una forma de proceder en IA es el ensayo y error. Además de este, el ML representa otros muchos retos. ¡Veámoslos!
Por un lado, la parte del modelado que desarrolla el data scientist es una parte muy pequeña del proceso. Debemos preocuparnos también de otros aspectos, por ejemplo cómo obtener datos de buena calidad. Además, el mundo del ML no es solo código. Como mínimo es una combinación de datos, modelo y código.
Por otro lado, dentro del ciclo de vida de ML existen muchos equipos y perfiles profesionales: analistas de negocio, que definen los objetivos del negocio o producto y los puntos de interés a tener en cuenta; los ingenieros de datos, que se encargan de obtener y preparar los datos; los data scientists, encargados de la arquitectura de las soluciones de ML y el desarrollo de modelos; ingenieros de software, DevOps, auditores e ingenieros de ML.
Además, el entorno cambia continuamente; como decía Heráclito, el río nunca es el mismo, está continuamente cambiando. Del mismo modo, un modelo creado hace tres años necesitará una revisión de datos para ajustarlo a los tiempos que corren. Por no hablar de que los modelos deben adaptarse a las necesidades del negocio que, por supuesto, está sujeto a cambios.
Así, llegamos al principio de reproductibilidad. Si todo cambia, debemos ser capaces de reproducir las pruebas que hicimos en su momento. Para eso hay que documentar bien todo el proceso de ML.
No debemos olvidar los numerosos aspectos éticos que debemos cuidar. Para evitar episodios como el chatbot Tay, los modelos deben entrenarse con una muestra poblacional representativa, para así evitar sesgos raciales o de otro tipo. Los principios éticos que deberán cuidar los creadores de tecnología pasan por asegurarse de que la IA está centrada en el humano, que presta atención a grupos vulnerables, que respeta los derechos fundamentales, que funciona con transparencia, que es técnicamente robusta y fiable y que no debe restringir la libertad humana.
Por último, a la hora de poner en práctica un modelo de ML podemos elegir varias vías de desarrollo y puesta en marcha: AutoML , hand-made, AI service.
Por tanto, como hemos visto, todo aquello que conlleve crear software implica la aparición de problemas que deberemos ir resolviendo. ¿Cómo resolvemos todos estos retos? La mejor solución es MLOps. Como estas prácticas se basan en DevOps, veamos primero a qué se refiere este acrónimo de Development Operations.
Conocemos como DevOps al conjunto de prácticas que agrupan el desarrollo de software y las operaciones de TI. El objetivo de DevOps es agilizar el ciclo de vida del desarrollo de software mientras se mantienen los estándares de alta calidad. Estas prácticas influyen en el ciclo de vida de las aplicaciones a lo largo de las distintas fases: planeamiento, desarrollo, entrega y uso. Dado que cada fase depende de las otras y estas no son específicas de un rol, todos los roles están implicados de un modo u otro en todas las fases. Así, DevOps pone a trabajar juntos a los desarrolladores y los equipos de operaciones.
Algunas de las herramientas que se emplean para desarrollar DevOps son: Git, Docker, Jenkins, entre otras muchas.
MLOps o Machine Learning Operations, es una extensión de la metodología DevOps que busca incluir los procesos de aprendizaje automático y ciencia de datos en la cadena de desarrollo y operaciones para hacer que el desarrollo del ML sea más confiable y productivo. Son las mejores prácticas para que las empresas ejecuten la IA con éxito con la ayuda de una amplia variedad de productos de software y servicios en el cloud.
Podemos definir también MLOps como toda una infraestructura que da soporte a un sistema de aprendizaje continuo —basado en una rama de la IA, el ML— que se emplea con varios procesos y métodos. Necesita de profesionales expertos y herramientas específicas y abarca tres aspectos clave del ML: diseño, entrenamiento y despliegue. Ahora bien, por qué necesitamos implementar MLOps en las empresas, por la gran cantidad de datos que se manejan y las complicaciones que estos generan.
El objetivo de MLOps es desarrollar, entrenar y desplegar modelos de ML con procedimientos automatizados que integren a los equipos de Data, desarrolladores, seguridad e infraestructura.
Con MLOps se logra:
Monitorear y actualizar de forma continua los modelos a medida que los datos se modifican y evolucionan con el tiempo.
Vivimos en un mundo orientado a los datos. Así, los modelos MLOps son importantes porque son vitales para agilizar el proceso de maduración de los proyectos de IA y ML dentro de una organización.
Los modelos de ML se actualizan y mantienen de forma continua. Por tanto, es necesario aunar esfuerzos para que el tiempo y el trabajo dedicado al despliegue y mantenimiento de estos modelos se reduzca lo máximo posible.
Antes de terminar este artículo, y a modo de conclusión, recordemos los tres puntos clave de MLOps:
Recuerda que si quieres repasar algún concepto sobre SAP en IA puedes repasarlo en nuestro primer artículo sobre que tipo de IA se necesita para llevar a cabo un proyecto con éxito.
Creamos nuevos productos y servicios superiores hibridando la tecnología con los modelos de negocio
