Práticas de DevOps aplicadas ao ciclo de vida de modelos de machine learning em produção.
Como funciona na prática
Na prática, o MLOps transforma o trabalho do cientista de dados, que muitas vezes nasce em notebooks, num processo repetível. Dados e código são versionados, de modo que qualquer modelo possa ser reconstruído. O treinamento roda num pipeline automatizado, que registra parâmetros, métricas e o conjunto de dados usado. Antes de ir para produção, o modelo passa por validações e é comparado com a versão atual. Depois de publicado, como API ou rotina em lote, é monitorado: qualidade das previsões, mudança no perfil dos dados de entrada e tempo de resposta. Quando o desempenho cai, um novo treinamento é disparado e revisado.
Quando faz sentido
Faz sentido quando a empresa já tem modelos de machine learning em uso real, como previsão de demanda, crédito, recomendação ou detecção de fraude, e depende de uma ou duas pessoas para atualizá-los manualmente. Sinais típicos são modelos que ninguém consegue reproduzir, previsões que pioram com o tempo sem que alguém perceba e demora grande para colocar um modelo novo em produção. Para quem ainda está no primeiro experimento, uma plataforma completa é exagero; basta adotar desde cedo versionamento e registro de experimentos. O investimento cresce junto com o número de modelos e o impacto deles no negócio.
O que avaliar
Avalie onde os dados estão e escolha ferramentas compatíveis com a nuvem ou o ambiente já usado, evitando mover grandes volumes sem necessidade. Defina quem é responsável por cada modelo em produção e o que acontece quando ele falha. Estabeleça métricas de negócio, além das técnicas, para saber se o modelo continua útil. Exija rastreabilidade: para cada previsão importante, deve ser possível saber qual versão do modelo e quais dados a geraram, o que é relevante em decisões que afetam pessoas e podem ser questionadas. Considere o custo de infraestrutura de treinamento e o conhecimento necessário para operar as ferramentas.