Cuando el aprendizaje automático apenas comenzaba a penetrar en los negocios, muchos equipos lanzaron modelos «tal cual», sin control de versiones, seguimiento ni procesos de soporte. Pero en 2025, este enfoque ya no es aceptable: los modelos son los mismos sistemas de producción y necesitan prácticas maduras.
Versiones de modelos
Uno de los primeros pasos hacia un MLOps maduro es la gestión de versiones de modelos.
Por qué es importante: los datos y los algoritmos cambian, y siempre debemos comprender qué modelo está ahora en el producto.
Cómo se resuelve:
Uso de repositorios como MLflow Model Registry o DVC.
Almacenamiento de metadatos: fecha de entrenamiento, conjunto de datos, hiperparámetros.
Vinculación de la versión del modelo con una tarea y un entorno específicos.
Esto te permite revertir o reproducir rápidamente el experimento si es necesario.
Observabilidad (Observability)
No basta con lanzar un modelo. Es necesario controlar su comportamiento en la batalla:
Métricas de calidad: precisión, recuperación, F1.
Deriva de datos: cuánto difieren los nuevos datos del conjunto de datos de entrenamiento.
Latencia y disponibilidad: el modelo puede ser preciso, pero si tarda 5 segundos en responder, los usuarios se irán.
Para ello, se utilizan Prometheus + Grafana, EvidentlyAI, Arize y otras herramientas.
Rollback de modelos
Incluso el mejor modelo puede «romperse» en producción. Por lo tanto, MLOps debe incluir:
Posibilidad retroceso rápido a la versión anterior del modelo.
Lanzamientos Canary: lanzamos un nuevo modelo solo para una parte del tráfico.
Pruebas en la sombra: el nuevo modelo funciona en paralelo con el antiguo, pero no afecta a los usuarios, comparamos los resultados.
Control de calidad
Pruebas automáticas de modelos: verificación en casos sintéticos y de borde.
CI/CD para ML: pipelines que ejecutan pruebas automáticamente y despliegan el modelo.
Pruebas A/B: verificación real de hipótesis en usuarios.
El control de calidad convierte el modelo de una «caja negra» en un servicio gestionable.
MLOps = DevOps + DataOps + AIOps
En pocas palabras, MLOps es una combinación de tres direcciones:
DevOps: automatización y CI/CD.
DataOps: trabajo con datos, comprobación de su calidad.
AIOps: observabilidad y explotación de modelos.
Solo combinando estas prácticas se puede construir una producción de ML estable.
Conclusión
MLOps para adultos no es un término de moda, sino un conjunto de prácticas obligatorias. El control de versiones, la observabilidad, la reversión y el control de calidad convierten el modelo de un «experimento científico» en un servicio fiable que funciona para los negocios.
Y si quieres aprender estas prácticas con casos reales, ven a Kodik y únete a nuestro comunidad en Telegram.