¿Qué es MLOps y por qué un modelo que funciona en un notebook no basta?
Un modelo entrenado en un notebook es un experimento. MLOps es lo que lo convierte en un sistema confiable que sigue funcionando bien meses después, en producción.
Entrenar un modelo con buena precisión en un notebook es solo el principio. Ponerlo a servir predicciones reales, de forma confiable, y que siga siendo preciso seis meses después, es un problema de ingeniería completamente distinto — ahí es donde entra MLOps.
Del notebook al servicio
Un modelo entrenado necesita exponerse de alguna forma para que otros sistemas lo consuman — típicamente detrás de una API — con control de versiones sobre qué modelo específico está sirviendo en cada momento, no solo sobre el código que lo entrenó.
Monitoreo: los modelos se degradan con el tiempo
A diferencia del software tradicional, un modelo de machine learning puede empezar a fallar sin que el código cambie: el mundo real cambia, y los patrones que el modelo aprendió dejan de ser válidos. Esto se llama data drift o model drift, y sin monitoreo activo pasa desapercibido hasta que el daño ya está hecho.
Un ejemplo concreto de drift
Un modelo de recomendación entrenado con comportamiento de usuarios de 2024 puede perder precisión en 2026 simplemente porque los hábitos de consumo cambiaron — el modelo no está "roto" en el sentido tradicional, pero ya no refleja la realidad actual.
Reentrenamiento y versionado
MLOps establece un proceso repetible para reentrenar el modelo con datos nuevos, evaluarlo antes de reemplazar la versión en producción, y poder revertir a una versión anterior si algo sale mal — la misma disciplina de CI/CD aplicada a modelos en lugar de solo a código.
Un campo de ingeniería, no solo de ciencia de datos
MLOps combina ciencia de datos con prácticas de ingeniería de software e infraestructura — es el puente entre "el modelo funciona en mi notebook" y "el modelo funciona de forma confiable para usuarios reales". Explora la ruta de MLOps para entender ese puente en detalle.