El desarrollo de MLOps, conocido como machine learning operations, está transformando la forma en que las empresas integran modelos de aprendizaje automático en su operación diaria. Este enfoque combina recursos humanos, procesos y tecnología, optimizando así la ejecución de casos de uso de machine learning de manera eficiente. Es esencial la creación de plataformas que garanticen la reproducibilidad y robustez de los ciclos de vida de los modelos.
Las empresas que implementan MLOps deben adoptar plataformas que aseguran un seguimiento y observabilidad integrales. Estas soluciones se organizan en un entorno de múltiples cuentas, donde se aplican estrictas medidas de seguridad y buenas prácticas de desarrollo. Una característica clave es la automatización mediante tecnologías de integración y entrega continua (CI/CD), lo que permite que los usuarios solo interactúen al hacer modificaciones en los repositorios de código.
Terraform, una herramienta desarrollada por HashiCorp, se ha consolidado como una de las principales soluciones para la creación, construcción y estandarización de la infraestructura de AWS en entornos multi-nube. Acompañada por plataformas como GitHub y sus acciones, MLOps facilita la colaboración entre las comunidades de DevOps y MLOps a nivel global.
Recientemente, ha surgido un artículo que detalla la implementación de una plataforma de MLOps utilizando Terraform junto con GitHub y GitHub Actions. Este enfoque se centra en construir una infraestructura que permita crear una pipeline de entrenamiento sólida, capaz de registrar modelos en el Registro de Modelos de Amazon SageMaker. Esto proporciona un marco que simplifica la transición del desarrollo al despliegue de modelos.
Los usuarios finales, que incluyen tanto científicos de datos como ingenieros de ML, pueden elegir plantillas del proyecto SageMaker que se ajusten a sus requisitos específicos. Así, se crean configuraciones estandarizadas que permiten desarrollar repositorios privados en GitHub, los cuales son personalizables según cada caso de uso. Esta automatización se realiza mediante modelos reutilizables de Terraform, diseñados para diferentes entornos de implementación.
Adicionalmente, las plantillas personalizadas de SageMaker, que se enfocan en el entrenamiento y evaluación de modelos, están disponibles para orientar a las organizaciones durante el proceso. Cada proyecto SageMaker activa una plantilla de AWS CloudFormation que se encarga de manejar la infraestructura y los recursos necesarios, agilizando la fase de implementación y minimizando posibles errores.
El interés en implementar estas plataformas sigue creciendo, ya que ofrecen guías claras para preparar infraestructuras en AWS, establecer organizaciones en GitHub y gestionar el estado de los recursos mediante backends de Terraform. Todo ello con el fin de proporcionar una experiencia final más accesible y eficiente para los usuarios.
