Práticas de DevOps aplicadas ao ciclo de vida de modelos de machine learning em produção.
MLOps (Machine Learning Operations) é a disciplina que aplica práticas de DevOps ao ciclo de vida de modelos de machine learning — desde o desenvolvimento e treinamento até o deployment, monitoramento e retreinamento em produção. O MLOps resolve o problema de que apenas ~20% dos modelos de ML chegam à produção, criando pipelines reprodutíveis e automatizados. O ciclo inclui: versionamento de dados e modelos (DVC, MLflow), feature store (Feast, Tecton), treinamento automatizado (pipelines CI/CD para ML), registro de experimentos (MLflow, Weights & Biases), deployment (serving via API, batch inference), monitoramento de performance (data drift, concept drift, model decay) e retreinamento automatizado. Ferramentas e plataformas: MLflow, Kubeflow, Amazon SageMaker, Vertex AI, Azure ML e Databricks. O MLOps é essencial para organizações que operam múltiplos modelos em produção e precisam de governança, reprodutibilidade e escalabilidade.