Como la mayoría de los procesos de TI, MLOps tiene niveles de madurez. Estos ayudan a las empresas a comprender dónde se encuentran en el proceso de desarrollo y qué se debe cambiar en sus enfoques de ML para avanzar al siguiente nivel (si ese es su objetivo). El uso de metodologías de nivel de madurez comúnmente aceptadas también permite a las empresas determinar su lugar entre los competidores.
Modelo de Google
Google tiene su modelo propio de niveles de madurez de MLOps. Surgió como uno de los primeros modelos, es conciso y consta de tres niveles:
Nivel 0: Proceso manual
Nivel 1: automatización de la canalización de ML
Nivel 2: automatización de la cadena de suministro de CI/CD
Es difícil escapar de la idea de que este modelo se parece a las instrucciones para dibujar un búho. Primero, haz todo manualmente, luego crea una canalización de ML y luego automatiza Operaciones de MLOSin embargo, está bien descrito.
Modelo de Azure
Hoy en día, muchas grandes empresas que utilizan ML han creado sus propios modelos de madurez. Azur También tiene un enfoque similar para identificar niveles. Sin embargo, tienen más niveles que Google:
Nivel 0: Sin MLOps
Nivel 1: DevOps pero sin MLOps
Nivel 2: Entrenamiento automatizado
Nivel 3: Implementación automatizada de modelos
Nivel 4: Completo Operaciones de MLO Operaciones automatizadas
Modelo GigaOm
Además, uno de los modelos más detallados y comprensibles es el de la firma analítica GigaOm. De todos los modelos, es el más cercano al Capability Maturity Model Integration (CMMI). Se trata de un conjunto de metodologías de mejora de procesos en las organizaciones, que también consta de cinco niveles del 0 al 4.
* Fuente de la imagen: https://research.gigaom.com/report/delivering-on-the-vision-of-mlops
En el Modelo GigaOmCada nivel de madurez se describe a través de cinco categorías: estrategia, arquitectura, modelado, procesos y gestión.
Al utilizar este modelo en las primeras etapas del desarrollo e implementación de un sistema de ML, se pueden considerar aspectos importantes con anticipación y se pueden reducir las posibilidades de falla. De hecho, pasar de un nivel de madurez a uno superior presenta nuevos desafíos para el equipo, de los que tal vez no hayan sido conscientes antes.
Optimización gratuita de costos en la nube y gestión mejorada de recursos de ML/AI para toda la vida
Conclusión
Todos los modelos descritos convergen en una cosa: en el nivel 0, hay una falta de prácticas de ML y, en el nivel más alto, está la automatización de las operaciones de MLOps. En el centro, siempre hay algo único que está relacionado de alguna manera con la automatización gradual de las operaciones de aprendizaje automático. En el caso de Azure, se trata de la automatización del proceso de capacitación e implementación de los modelos.
💡También te puede interesar nuestro artículo ‘¿Cuáles son los principales retos del proceso MLOps?’
Descubra los desafíos del proceso MLOps, como datos, modelos, infraestructura y personas/procesos, y explore posibles soluciones para superarlos → https://hystax.com/what-are-the-main-challenges-of-the-mlops-process.
✔️ OptScale, una plataforma de código abierto FinOps y MLOps que ayuda a las empresas a optimizar los costos de la nube y brindar más transparencia en el uso de la nube, está completamente disponible en Apache 2.0 en GitHub → https://github.com/hystax/optscale.
