En los últimos dos años, las grandes compañías han ido ampliando sus esfuerzos de IA y aprendizaje automático para aplicar diferentes modelos de producción basados en la IA. Estas organizaciones apuestan cada vez más por modelos de Machine Learning, pero en la actualidad, sólo se implementa la mitad de éstos.
Se estima que el valor anual total generado en inversiones para implementar IA está entre 9.000 y 15.000 millones de dólares. Sin embargo, una gran parte de este valor potencial se pierde si los modelos analíticos no se introducen en la producción. Diversas compañías han identificado los fallos del proceso de implementación, y ha surgido ModelOps como solución a los desafíos que supone instaurar IA en los modelos de producción.
ModelOps permite llevar a cabo la introducción de modelos de IA en la producción, y que los equipos de desarrollo incorporen fácilmente estos modelos en las aplicaciones de software de cada herramienta impulsada por IA. Estas herramientas tienen como fin automatizar una supervisión continua del proceso y abordar los cambios necesarios para optimizar y mejorar el rendimiento, de tal forma que se detecte si el modelo de producción se está quedando obsoleto y, en consecuencia, llevar a cabo una actualización de este.
¿Qué es ModelOps?
ModelOps es un enfoque holístico para crear modelos de análisis que pueden introducirse rápidamente en la producción de cualquier compañía. Un enfoque importante de ModelOps es automatizar la implementación, supervisión y mejora continua de los modelos de análisis de datos que se ejecutan dentro de la empresa. Esta tecnología es una variación de DevOps.
ModelOps se centra en el análisis de aplicaciones, mientras DevOps se centra en el desarrollo de estas. Así pues, el modelo en cuestión, que refleja las prácticas de DevOps tiene como fin garantizar el cumplimiento, la seguridad y la capacidad de administración de TI, es crucial para el análisis predictivo de modo que permita mejorar el rendimiento del proceso.
El concepto de ModelOps define a las personas, procesos y tecnología para ayudar a las organizaciones a obtener el máximo valor del análisis, teniendo en cuenta todos los nuevos modelos productivos.
A medida que los modelos se degradan, es necesario realizar una actualización, tratando de ajustar e implementar los nuevos parámetros de rendimiento, éstos incluyen:
- Configurar y realizar un seguimiento de los objetivos de precisión de los modelos a través del desarrollo, la validación y la implementación.
- Identificar las métricas de negocio afectadas por el modelo en funcionamiento.
- Realizar un seguimiento de métricas como el tamaño de los datos y la frecuencia de actualización, ubicaciones, categorías y tipos. Estas métricas pueden ayudar a determinar si los problemas de rendimiento del modelo son el resultado de cambios en los datos y sus orígenes.
- Supervisar la cantidad de recursos informáticos o modelos de memoria que se consumen.
Todo esto quiere decir, que los modelos se degradan, siendo un requisito indispensable revisarlo continuamente para que no se vea afectado el rendimiento, el cual depende tanto de la construcción del modelo, así como de los datos generados por el mismo, las actualizaciones periódicas y la reestructuración tras cada actualización.
ModelOps funciona de forma que, permite administrar y escalar modelos para satisfacer la demanda. Llevar a cabo una supervisión continua para detectar y corregir los fallos y desviaciones. Como se ha dicho anteriormente, ModelOps se basa en principios de DevOps, pero esta última tecnología es inadecuada para los modelos de producción, ya que no hay conceptos en ella referidos a la desactualización del software con el tiempo, que hacen que cualquier modelo de producción requiera una actualización con nuevos datos recopilados.
Beneficios de adoptar ModelOps
ModelOps tiene como fin principal acelerar y mejorar la productividad de los equipos de análisis y operaciones de TI, independientemente del lenguaje analítico que se utilice, de los datos a los que se acceda o de dónde se implementará el modelo. Esta tecnología busca implementar modelos de producción que incluyan el acceso a los datos de una fuente de confianza y el mantenimiento de los estándares de privacidad y seguridad, evitando así la necesidad de diseñar un nuevo modelo cada vez que se actualice el proceso. De este modo, se conserva el linaje de datos y la información de seguimiento para el cumplimiento de auditorías.
Por tanto, adoptar ModelOps permite supervisar el rendimiento de instaurar una infraestructura basada en IA. Lo mencionado anteriormente en conjunto con las herramientas de ModelOps, da lugar a una transparencia y comprensibilidad de la IA que mejoran la confianza en la tecnología y digitalización empresarial.
La sincronización de ModelOps y DevOps abre nuevas Oportunidades
Los científicos de datos utilizan ModelOps mientras que los desarrolladores usan DevOps. ModelOps es donde la ciencia de datos se une a la TI de producción, generando valor empresarial. Entonces, establecer ModelOps junto con DevOps puede hacer que la inyección de modelos en aplicaciones sea un proceso más ajustado y con gran rendimiento para cualquier compañía.
Habitualmente, los modelos de producción se implementaban de forma única, pero la integración de aplicaciones, la supervisión y el ajuste de modelos, es decir, la automatización de dichos modelos es costoso y laborioso. Es por esto, por lo que tiene sentido unir el desarrollo de modelos y aplicaciones en una plataforma de datos e inteligencia donde se puede aprovechar la información recopilada mediante datos.
MultiCloud ModelOps de IBM
IBM ha dado vida a Multicloud ModelOps, responsable de cubrir los ciclos de vida de principio a fin para optimizar el uso de modelos y aplicaciones entre clouds. Está especialmente diseñado para su uso en modelos de Machine Learning, modelos de optimización y modelos operativos. El fin de Multicloud ModelOps es facilitar la integración y la distribución continuas (CI/CD).
En su ecosistema presenta tecnologías como AutoAI, IBM Cloud Pak for Data que permiten implementar de forma óptima ModelOps y DevOps, de tal modo que se lleve una actualización e implementación de los nuevos modelos de forma regular para adaptarse a los requisitos y necesidades de las diferentes compañías. AutoAI se encarga de facilitar la colaboración entre el equipo de ciencia de datos, reduciendo así la complejidad de implementar y optimizar modelos en producción.
Las características principales de Multicloud de ModelOps son:
- La posibilidad de adquirir datos automáticamente, seleccionar modelos, realizar ingeniería de características y optimizar los hiperparámetros.
- Visualizar sesgos en los modelos, aprender a mitigarlos y explicar los resultados.
- Generar el reemplazo de un modelo, detectando la incoherencia de datos que provocan la desviación.
- Procesamiento de datos antes de actualizar nuevos modelos, gestionar errores e incluir llamadas a modelos.
- Desplegar y enviar modelos prácticamente en cualquier lugar.
- Crear, ejecutar y gestionar modelos en una interfaz unificada, junto con la mejora continua de los modelos haciendo uso de un bucle de feedback.
Por otro lado, existen más productos en el mercado, es el caso de Lumen. Este producto es una plataforma que permite a los científicos de datos implementar modelos de manera más eficiente. Lumen aporta la automatización necesaria para agilizar el proceso de implementación.
Esta tecnología niega firmemente la necesidad de un equipo de desarrolladores, una vez que la plataforma está operativa, ya que puede implementar modelos rápidamente de forma automatizada. Esto permite probar y actualizar nuevos modelos existentes y así, poder explorar nuevos casos de uso. Así pues, la organización se asegura de que la inversión en datos está produciendo grandes rendimientos.
Conclusiones
Las empresas que tienen modelos de aprendizaje automático desplegados en la producción necesitan mantener un ritmo de actualización de estos, para no quedar obsoletos y poder enfrentarse a los cambios del mercado.
La IA permite optimizar los modelos y aprender cuándo utilizarlos en diferentes condiciones. Además, actualmente existen muchos modelos para resolver diversos problemas de negocio, y en el entorno actual altamente dinámico, la naturaleza de los problemas y la aplicabilidad de un modelo en particular está constantemente cambiando. Gracias a ModelOps ya no es necesario implementar una a una las actualizaciones de los modelos de producción generados por estos cambios.
En conclusión, tratar de convertirse en una verdadera organización basada en una infraestructura de IA, requiere una capacidad de análisis completa y eficiente. Esto coloca en el centro del mercado a ModelOps, que trabajando junto con DataOps y DevOps darán lugar a la obtención de grandes rendimientos y beneficios.
