Diseño de sistemas de aprendizaje automático

Capítulo 10. Infraestructura y herramientas para MLOps

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

En los Capítulos 4 a 6, discutimos la lógica para desarrollar sistemas de ML. En los Capítulos 7 a 9, tratamos las consideraciones para la implementación, el monitoreo y la actualización continua de un sistema de ML. Hasta ahora, hemos asumido que los profesionales del ML tienen acceso a todas las herramientas e infraestructura que necesitan para aplicar esa lógica y llevar a cabo estas consideraciones. Sin embargo, esa suposición dista mucho de ser cierta. Muchos científicos de datos me han dicho que saben lo que hay que hacer para sus sistemas de ML, pero que no pueden hacerlo porque su infraestructura no está configurada de forma que les permita hacerlo.

Los sistemas de ML son complejos. Cuanto más complejo es un sistema, más puede beneficiarse de una buena infraestructura. La infraestructura, cuando está bien configurada, puede ayudar a automatizar los procesos, reduciendo la necesidad de conocimientos especializados y el tiempo de ingeniería. Esto, a su vez, puede acelerar el desarrollo y la entrega de aplicaciones ML, reducir la superficie de errores y permitir nuevos casos de uso. Sin embargo, cuando se configura mal, la infraestructura es difícil de usar y cara de sustituir. En este capítulo hablaremos de cómo configurar correctamente la infraestructura para los sistemas de ML.

Antes de entrar en materia, ...