Las Operaciones De Aprendizaje Automático Ofrecen Agilidad Y Estimulan La Innovación

Las operaciones de aprendizaje automático ofrecen agilidad y estimulan la innovación

La función principal de MLOps es automatizar los pasos más repetibles en los flujos de trabajo de ML de los científicos de datos e ingenieros de ML, desde el desarrollo y la formación de modelos hasta el despliegue y el funcionamiento de los mismos (servicio de modelos). La automatización de estos pasos crea agilidad para las empresas y mejores experiencias para los usuarios y clientes finales, aumentando la velocidad, la potencia y la fiabilidad del ML. Estos procesos automatizados también pueden mitigar el riesgo y liberar a los desarrolladores de las tareas rutinarias, permitiéndoles dedicar más tiempo a la innovación. Todo esto contribuye al resultado final: un 2021 estudio global de McKinsey ha descubierto que las empresas que escalan con éxito la IA pueden añadir hasta un 20% a sus ganancias antes de intereses e impuestos (EBIT).

"No es raro que las empresas con capacidades sofisticadas de ML incuben diferentes herramientas de ML en sectores individuales del negocio", dice Vincent David, director senior de aprendizaje automático de Capital One. "Pero a menudo empiezas a ver paralelismos -sistemas de IA que hacen cosas similares, pero con un giro ligeramente diferente. Las empresas que están averiguando cómo sacar el máximo partido a sus inversiones en ML están unificando y sobrealimentando sus mejores capacidades de ML para crear herramientas y plataformas estandarizadas y fundacionales que todo el mundo pueda utilizar y, en última instancia, crear un valor diferenciado en el mercado."

En la práctica, MLOps requiere una estrecha colaboración entre los científicos de datos, los ingenieros de ML y los ingenieros de fiabilidad del sitio (SRE) para garantizar la reproducibilidad, la supervisión y el mantenimiento coherentes de los modelos de ML. A lo largo de los últimos años, Capital One ha desarrollado las mejores prácticas de MLOps que se aplican a todos los sectores: equilibrar las necesidades de los usuarios, adoptar una pila tecnológica común basada en la nube y plataformas fundacionales, aprovechar las herramientas de código abierto y garantizar el nivel adecuado de accesibilidad y gobernanza tanto para los datos como para los modelos.

Comprender las diferentes necesidades de los usuarios

Las aplicaciones de ML suelen tener dos tipos principales de usuarios -expertos técnicos (científicos de datos e ingenieros de ML) y expertos no técnicos (analistas de negocios)- y es importante lograr un equilibrio entre sus diferentes necesidades. Los expertos técnicos a menudo prefieren tener total libertad para utilizar todas las herramientas disponibles para construir modelos para sus casos de uso previstos. Los expertos no técnicos, en cambio, necesitan herramientas fáciles de usar que les permitan acceder a los datos que necesitan para crear valor en sus propios flujos de trabajo.

Para crear procesos y flujos de trabajo coherentes y que satisfagan a ambos grupos, David recomienda reunirse con el equipo de diseño de la aplicación y con expertos en la materia en una amplia gama de casos de uso. "Nos fijamos en casos concretos para entender los problemas, de modo que los usuarios obtengan lo que necesitan para beneficiar su trabajo, específicamente, pero también a la empresa en general", afirma. La clave está en averiguar cómo crear las capacidades adecuadas al tiempo que se equilibran las diversas necesidades de las partes interesadas y del negocio dentro de la empresa"."

Adopta una pila tecnológica común

La colaboración entre los equipos de desarrollo, fundamental para el éxito de los MLOps, puede ser difícil y requerir mucho tiempo si estos equipos no utilizan la misma pila tecnológica. Una pila tecnológica unificada permite a los desarrolladores estandarizar, reutilizando componentes, funciones y herramientas en todos los modelos como si fueran ladrillos de Lego. "Eso facilita la combinación de capacidades relacionadas para que los desarrolladores no pierdan tiempo cambiando de un modelo o sistema a otro", dice David.

Una pila nativa en la nube -construida para aprovechar el modelo de computación distribuida en la nube- permite a los desarrolladores autogestionar la infraestructura bajo demanda, aprovechando continuamente nuevas capacidades e introduciendo nuevos servicios. La decisión de Capital One de apostar por la nube pública ha tenido un impacto notable en la eficiencia y la velocidad de los desarrolladores. Los lanzamientos de código a la producción ocurren ahora mucho más rápidamente, y las plataformas y modelos de ML son reutilizables en toda la empresa.

Ahorre tiempo con herramientas ML de código abierto

Las herramientas de ML de código abierto (código y programas disponibles de forma gratuita para que cualquiera pueda utilizarlos y adaptarlos) son ingredientes fundamentales para crear una base sólida en la nube y una pila tecnológica unificada. El uso de herramientas de código abierto existentes significa que la empresa no tiene que dedicar valiosos recursos técnicos a reinventar la rueda, lo que acelera el ritmo al que los equipos pueden crear y desplegar modelos.