{"id":86523,"date":"2020-06-26T07:42:14","date_gmt":"2020-06-26T05:42:14","guid":{"rendered":"https:\/\/prohoster.info\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning"},"modified":"2020-06-26T07:42:14","modified_gmt":"2020-06-26T05:42:14","slug":"mlops-devops-v-mire-machine-learning","status":"publish","type":"post","link":"https:\/\/prohoster.info\/es\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","title":{"rendered":"MLOps: DevOps en el mundo del Machine Learning","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>En 2018, en c\u00edrculos profesionales y en conferencias tem\u00e1ticas dedicadas a la IA, surgi\u00f3 el concepto de MLOps, que r\u00e1pidamente se afianz\u00f3 en la industria y ahora se desarrolla como una disciplina independiente. A largo plazo, MLOps podr\u00eda convertirse en uno de los campos m\u00e1s solicitados en TI. \u00bfQu\u00e9 es exactamente y para qu\u00e9 sirve? Lo analizamos a continuaci\u00f3n.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps en el mundo del Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/03bcaaaf5b9ddd864c7e8e0a607d81c4.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<h2>\u00bfQu\u00e9 es MLOps?<\/h2>\n<p>\nMLOps (la fusi\u00f3n de tecnolog\u00edas y procesos de aprendizaje autom\u00e1tico con enfoques para implementar modelos desarrollados en los procesos empresariales) es una nueva forma de colaboraci\u00f3n entre representantes del negocio, cient\u00edficos, matem\u00e1ticos, especialistas en aprendizaje autom\u00e1tico e ingenieros de TI en la creaci\u00f3n de sistemas de inteligencia artificial.<\/p>\n<p>En otras palabras, es la manera de convertir los m\u00e9todos y tecnolog\u00edas de aprendizaje autom\u00e1tico en herramientas \u00fatiles para resolver problemas empresariales.\u00a0<\/p>\n<p>Es importante entender que la cadena de productividad comienza mucho antes del desarrollo del modelo. Su primer paso es definir el problema empresarial, las hip\u00f3tesis sobre el valor que se puede extraer de los datos y la idea de negocio para su aplicaci\u00f3n.\u00a0<\/p>\n<p>El concepto de MLOps surgi\u00f3 como analog\u00eda al concepto de DevOps en relaci\u00f3n a los modelos y tecnolog\u00edas de aprendizaje autom\u00e1tico. DevOps es un enfoque para el desarrollo de software que permite aumentar la velocidad de implementaci\u00f3n de cambios individuales manteniendo la flexibilidad y la fiabilidad a trav\u00e9s de varios m\u00e9todos, entre los que se incluyen el desarrollo continuo, la divisi\u00f3n de funciones en varios microservicios independientes, pruebas automatizadas y despliegue de cambios individuales, monitoreo global de la operatividad y un sistema de respuesta r\u00e1pida a fallos detectados, entre otros.\u00a0<\/p>\n<p>DevOps defini\u00f3 el ciclo de vida del software y en la comunidad de especialistas surgi\u00f3 la idea de aplicar la misma metodolog\u00eda a los grandes datos. DataOps es un intento de adaptar y expandir la metodolog\u00eda considerando las particularidades del almacenamiento, transmisi\u00f3n y procesamiento de grandes vol\u00famenes de datos en diversas plataformas interconectadas.<br \/>\n\u00a0\u00a0<br \/>\nCon la aparici\u00f3n de una cierta masa cr\u00edtica de modelos de aprendizaje autom\u00e1tico integrados en los procesos empresariales, se ha observado una fuerte similitud entre el ciclo de vida de los modelos matem\u00e1ticos de aprendizaje autom\u00e1tico y el ciclo de vida del software. La \u00fanica diferencia es que los algoritmos de los modelos se crean utilizando herramientas y m\u00e9todos de aprendizaje autom\u00e1tico. Por lo tanto, de forma natural surgi\u00f3 la idea de aplicar y adaptar los enfoques de desarrollo de software ya conocidos para los modelos de aprendizaje autom\u00e1tico. As\u00ed, en el ciclo de vida de los modelos de aprendizaje autom\u00e1tico se pueden distinguir las siguientes etapas clave:<\/p>\n<ul>\n<li>definici\u00f3n de la idea de negocio;\n<\/li>\n<li>entrenamiento del modelo;\n<\/li>\n<li>prueba e implementaci\u00f3n del modelo en el proceso empresarial;\n<\/li>\n<li>operaci\u00f3n del modelo.\n<\/li>\n<\/ul>\n<p>\nCuando en el proceso de operaci\u00f3n surge la necesidad de modificar o reentrenar el modelo con nuevos datos, el ciclo se reinicia: el modelo se ajusta, se prueba y se despliega una nueva versi\u00f3n.<\/p>\n<blockquote><p>Parenthesis. \u00bfPor qu\u00e9 reentrenar, en lugar de volver a entrenar? El t\u00e9rmino 'sobreajuste del modelo' tiene una doble interpretaci\u00f3n: entre especialistas significa un defecto en el modelo, cuando el modelo predice bien, repitiendo pr\u00e1cticamente el par\u00e1metro pronosticado en el conjunto de entrenamiento, pero funciona mucho peor en un conjunto de datos externo. Naturalmente, tal modelo es defectuoso, ya que este defecto no permite su aplicaci\u00f3n.<\/p><\/blockquote>\n<p>\nEn este ciclo de vida parece l\u00f3gico utilizar herramientas de DevOps: pruebas automatizadas, despliegue y monitoreo, estructurando el c\u00e1lculo de modelos en forma de microservicios independientes. Pero hay una serie de particularidades que impiden la aplicaci\u00f3n directa de estas herramientas sin un envoltorio adicional de ML.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps en el mundo del Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/e1d01fd68c3f0071f925a82c08d29d25.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>C\u00f3mo hacer que los modelos funcionen y generen beneficios.<\/h2>\n<p>\nComo ejemplo que utilizaremos para demostrar la aplicaci\u00f3n del enfoque MLOps, tomaremos la tarea cl\u00e1sica de automatizaci\u00f3n del chat de soporte para productos bancarios (o cualquier otro). Normalmente, el proceso de soporte mediante chat se ve de la siguiente manera: el cliente ingresa un mensaje con una pregunta en el chat y recibe una respuesta de un especialista dentro de un \u00e1rbol de di\u00e1logos predefinido. La tarea de automatizar dicho chat generalmente se aborda con conjuntos de reglas definidas por expertos, que son muy laboriosos de desarrollar y mantener. La efectividad de tal automatizaci\u00f3n, dependiendo del nivel de complejidad de la tarea, puede llegar a ser del 20 al 30%. Naturalmente, surge la idea de que la implementaci\u00f3n de un m\u00f3dulo de inteligencia artificial, un modelo desarrollado mediante aprendizaje autom\u00e1tico, es m\u00e1s ventajosa, que:<\/p>\n<ul>\n<li>es capaz de manejar un mayor n\u00famero de solicitudes sin la intervenci\u00f3n de un operador (dependiendo del tema, en algunos casos la efectividad puede alcanzar entre el 70 y el 80%);\n<\/li>\n<li>se adapta mejor a formulaciones no est\u00e1ndar en el di\u00e1logo: puede determinar la intenci\u00f3n, el deseo real del usuario seg\u00fan una solicitud poco clara;\n<\/li>\n<li>puede identificar cu\u00e1ndo la respuesta del modelo es adecuada y cu\u00e1ndo existen dudas sobre la \"conciencia\" de esta respuesta, lo que requerir\u00eda hacer una pregunta adicional de clarificaci\u00f3n o transferir al operador;\n<\/li>\n<li>puede ser reentrenada de manera automatizada (en lugar de un grupo de desarrolladores que constantemente adaptan y corrigen los guiones de respuestas, un especialista en Data Science reentrena el modelo utilizando bibliotecas de aprendizaje autom\u00e1tico apropiadas).\u00a0\n<\/li>\n<\/ul>\n<p>\n<img decoding=\"async\" alt=\"MLOps: DevOps en el mundo del Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/9ef6356090a250df6cb212ab8bedb5f3.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\n\u00bfC\u00f3mo hacer que un modelo tan avanzado funcione?\u00a0<\/p>\n<p>Al igual que al abordar cualquier otra tarea, antes de desarrollar dicho m\u00f3dulo, es necesario definir el proceso de negocio y describir formalmente la tarea espec\u00edfica que resolveremos aplicando el m\u00e9todo de aprendizaje autom\u00e1tico. En este punto, comienza el proceso de operacionalizaci\u00f3n, indicado con la abreviatura Ops.\u00a0<\/p>\n<p>El siguiente paso consiste en que el especialista en Data Science, en colaboraci\u00f3n con el ingeniero de datos, verifica la disponibilidad y suficiencia de los datos y la hip\u00f3tesis del negocio sobre la viabilidad de la idea empresarial, desarrollando un prototipo del modelo y evaluando su efectividad real. Solo despu\u00e9s de la confirmaci\u00f3n por parte del negocio se puede iniciar la transici\u00f3n del desarrollo del modelo a su integraci\u00f3n en los sistemas que realizan procesos empresariales espec\u00edficos. La planificaci\u00f3n integral de la implementaci\u00f3n, as\u00ed como una comprensi\u00f3n profunda de cada etapa sobre c\u00f3mo se utilizar\u00e1 el modelo y qu\u00e9 efecto econ\u00f3mico generar\u00e1, son aspectos fundamentales en los procesos de implementaci\u00f3n de enfoques MLOps en el panorama tecnol\u00f3gico de la empresa.<\/p>\n<p>Con el desarrollo de las tecnolog\u00edas de IA, se incrementa de forma exponencial la cantidad y diversidad de tareas que pueden resolverse a trav\u00e9s del aprendizaje autom\u00e1tico. Cada uno de estos procesos empresariales representa un ahorro para la empresa gracias a la automatizaci\u00f3n del trabajo de empleados en posiciones masivas (centros de llamadas, verificaci\u00f3n y clasificaci\u00f3n de documentos, etc.), una expansi\u00f3n de la base de clientes mediante la adici\u00f3n de nuevas funciones atractivas y convenientes, ahorro de recursos mediante un uso \u00f3ptimo y redistribuci\u00f3n de recursos, entre muchas otras cosas. En \u00faltima instancia, cualquier proceso est\u00e1 orientado a la creaci\u00f3n de valor y, como consecuencia, debe generar un efecto econ\u00f3mico determinado. Aqu\u00ed es muy importante formular con claridad la idea de negocio y calcular las ganancias esperadas de la implementaci\u00f3n del modelo dentro de la estructura general de creaci\u00f3n de valor de la empresa. A veces ocurren situaciones en las que la implementaci\u00f3n del modelo no justifica su costo, y el tiempo que dedican los especialistas en aprendizaje autom\u00e1tico resulta mucho m\u00e1s caro que el salario de un operador que realiza esta tarea. Por esta raz\u00f3n, es esencial identificar tales casos en las primeras etapas de creaci\u00f3n de sistemas de IA.<\/p>\n<p>Por lo tanto, el modelo comienza a generar ganancias solo cuando, en el proceso MLOps, se ha formulado correctamente la tarea empresarial, se han establecido prioridades y, en las primeras etapas de desarrollo, se ha definido el proceso de integraci\u00f3n del modelo en el sistema.<\/p>\n<h2>Un nuevo proceso implica nuevos desaf\u00edos.<\/h2>\n<p>\nUna respuesta exhaustiva a la cuesti\u00f3n fundamental de los negocios sobre la aplicabilidad de los modelos de ML para resolver problemas, la cuesti\u00f3n general de la confianza en la IA es uno de los desaf\u00edos clave en el proceso de desarrollo e implementaci\u00f3n de enfoques MLOps. Inicialmente, las empresas son esc\u00e9pticas sobre la implementaci\u00f3n del aprendizaje autom\u00e1tico en los procesos: es dif\u00edcil confiar en modelos en \u00e1reas donde anteriormente, por lo general, trabajaban personas. Para las empresas, los programas se presentan como \"cajas negras\", cuya relevancia de las respuestas a\u00fan debe ser probada. Adem\u00e1s, en el sector bancario, en el negocio de telecomunicaciones y en otros, existen estrictos requisitos de reguladores gubernamentales. Todos los sistemas y algoritmos que se implementan en los procesos bancarios est\u00e1n sujetos a auditor\u00eda. Para abordar esta tarea y demostrar a las empresas y reguladores la validez y correcci\u00f3n de las respuestas de la inteligencia artificial, junto con el modelo se implementan herramientas de monitoreo. Adem\u00e1s, existe un procedimiento de validaci\u00f3n independiente, obligatorio para los modelos regulatorios, que cumple con los requisitos del Banco Central. Un grupo de expertos independiente audita los resultados obtenidos por el modelo teniendo en cuenta los datos de entrada.<\/p>\n<p>El segundo desaf\u00edo es la evaluaci\u00f3n y consideraci\u00f3n de los riesgos modelo al implementar un modelo de aprendizaje autom\u00e1tico. Si incluso una persona no puede responder con un ciento por ciento de certeza a la pregunta de si el vestido era blanco o azul, la inteligencia artificial tambi\u00e9n tiene derecho a cometer errores. Adem\u00e1s, es importante tener en cuenta que con el tiempo, los datos pueden cambiar, y los modelos necesitan ser reentrenados para ofrecer resultados suficientemente precisos. Para que el proceso empresarial no se vea afectado, es necesario gestionar los riesgos del modelo y monitorear su funcionamiento, reentren\u00e1ndolo regularmente con nuevos datos.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps en el mundo del Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/cb97ff0eab95d81e17bf76aad3c3994e.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nPero despu\u00e9s de la primera fase de desconfianza, comienza a manifestarse el efecto contrario. Cuantas m\u00e1s modelos se implementan exitosamente en los procesos, mayor es el apetito de las empresas por utilizar la inteligencia artificial: surgen nuevas y nuevas tareas que se pueden resolver con m\u00e9todos de aprendizaje autom\u00e1tico. Cada tarea inicia todo un proceso que requiere diversas competencias:<\/p>\n<ul>\n<li>los ingenieros de datos preparan y procesan los datos;\n<\/li>\n<li>los cient\u00edficos de datos aplican herramientas de aprendizaje autom\u00e1tico y desarrollan el modelo;\n<\/li>\n<li>IT implementa el modelo en el sistema;\n<\/li>\n<li>El ingeniero de ML define c\u00f3mo integrar correctamente este modelo en el proceso, qu\u00e9 herramientas de TI utilizar dependiendo de los requisitos para el modo de aplicaci\u00f3n del modelo, teniendo en cuenta el flujo de solicitudes, el tiempo de respuesta, etc.\u00a0\n<\/li>\n<li>El arquitecto de ML dise\u00f1a c\u00f3mo se puede implementar f\u00edsicamente el producto de software en un sistema industrial.\n<\/li>\n<\/ul>\n<p>\nTodo el ciclo requiere una gran cantidad de especialistas altamente calificados. En un determinado punto de desarrollo y grado de penetraci\u00f3n de los modelos de ML en los procesos empresariales, se hace evidente que escalar linealmente el n\u00famero de especialistas de manera proporcional al crecimiento de las tareas se vuelve costoso e ineficiente. Por lo tanto, surge la cuesti\u00f3n de la automatizaci\u00f3n del proceso de MLOps: la definici\u00f3n de varias clases est\u00e1ndar de tareas de aprendizaje autom\u00e1tico, el desarrollo de pipelines t\u00edpicos para el procesamiento de datos y el reentrenamiento de modelos. En la imagen ideal para resolver tales tareas se requieren profesionales que dominen igualmente las competencias en la intersecci\u00f3n de Big Data, Ciencia de Datos, DevOps y TI. Por lo tanto, el mayor problema en la industria de Ciencia de Datos y el mayor desaf\u00edo al organizar procesos de MLOps es la falta de tal competencia en el actual mercado laboral. Los especialistas que cumplen con tales requisitos son actualmente una rareza en el mercado laboral y son muy valorados.<\/p>\n<h2>Sobre la cuesti\u00f3n de las competencias<\/h2>\n<p>\nEn teor\u00eda, todas las tareas de MLOps se pueden resolver con herramientas cl\u00e1sicas de DevOps sin recurrir a una expansi\u00f3n especializada del modelo de roles. Como hemos mencionado anteriormente, el cient\u00edfico de datos debe ser no solo un matem\u00e1tico y especialista en an\u00e1lisis de datos, sino tambi\u00e9n un gur\u00fa de todo el pipeline; es responsabilidad de \u00e9l desarrollar la arquitectura, programar modelos en varios lenguajes dependiendo de la arquitectura, preparar la vitrina de datos y desplegar la aplicaci\u00f3n misma. Sin embargo, la creaci\u00f3n de la infraestructura tecnol\u00f3gica, realizada en el proceso integral de MLOps, consume hasta el 80% del esfuerzo laboral, lo que significa que un matem\u00e1tico calificado, que es lo que se espera de un buen Cient\u00edfico de Datos, solo dedicar\u00e1 el 20% de su tiempo a su especialidad. Por lo tanto, la diferenciaci\u00f3n de roles de los especialistas que llevan a cabo el proceso de implementaci\u00f3n de modelos de aprendizaje autom\u00e1tico se vuelve vital.\u00a0<\/p>\n<p>Cu\u00e1n detalladas deben ser las divisiones de roles depende de la escala de la empresa. No es lo mismo cuando en una startup hay un solo especialista, un trabajador vers\u00e1til que es ingeniero, arquitecto y DevOps a la vez. Es completamente diferente cuando en una gran empresa todos los procesos de desarrollo de modelos est\u00e1n concentrados en unos pocos especialistas de Data Science de alto nivel, mientras que un programador o un especialista en bases de datos, quienes son competencias m\u00e1s comunes y menos costosas en el mercado laboral, pueden asumir gran parte de las tareas rutinarias.<\/p>\n<p>Por lo tanto, la definici\u00f3n de los l\u00edmites en la elecci\u00f3n de los especialistas para garantizar el proceso de MLOps y la organizaci\u00f3n del proceso de operacionalizaci\u00f3n de los modelos desarrollados afecta directamente la velocidad y la calidad de los modelos, la productividad del equipo y el clima laboral.<\/p>\n<h2>Lo que nuestra equipo ya ha logrado<\/h2>\n<p>\nNo hace mucho tiempo comenzamos a construir la estructura de competencias y los procesos de MLOps. Pero ya estamos en la fase de prueba de MVP con nuestros proyectos de gesti\u00f3n del ciclo de vida de modelos y la implementaci\u00f3n de modelos como servicio.<\/p>\n<p>Tambi\u00e9n hemos determinado la estructura de competencias y la organizaci\u00f3n \u00f3ptimas para una gran empresa, as\u00ed como la interacci\u00f3n entre todos los participantes del proceso. Se organizaron equipos Agile que abordan tareas para todo el espectro de los clientes empresariales, adem\u00e1s de establecer un proceso de colaboraci\u00f3n con los equipos de proyectos para crear plataformas e infraestructuras, que son la base del edificio MLOps en construcci\u00f3n.<\/p>\n<h2>Cuestiones para el futuro<\/h2>\n<p>\nMLOps es un campo en desarrollo que enfrenta una escasez de competencias y que en el futuro tomar\u00e1 impulso. Mientras tanto, es mejor basarse en los avances y pr\u00e1cticas de DevOps. El objetivo principal de MLOps es utilizar de manera m\u00e1s efectiva los modelos de ML para resolver los problemas del negocio. Sin embargo, surgen muchas preguntas:<\/p>\n<ul>\n<li>\u00bfC\u00f3mo reducir el tiempo para implementar modelos en producci\u00f3n?\n<\/li>\n<li>\u00bfC\u00f3mo disminuir las fricciones burocr\u00e1ticas entre equipos de diferentes competencias y aumentar el enfoque en la colaboraci\u00f3n?\n<\/li>\n<li>\u00bfC\u00f3mo rastrear modelos, gestionar versiones y organizar un monitoreo efectivo?\n<\/li>\n<li>\u00bfC\u00f3mo crear un ciclo de vida realmente c\u00edclico para un modelo de ML moderno?\n<\/li>\n<li>\u00bfC\u00f3mo estandarizar el proceso de aprendizaje autom\u00e1tico?\n<\/li>\n<\/ul>\n<p>\nLas respuestas a estas preguntas determinar\u00e1n en gran medida cu\u00e1n r\u00e1pidamente MLOps revelar\u00e1 su potencial por completo.<br \/>\n<br \/>Fuente: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/vtb\/blog\/508012\/\">habr.com<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u0412 2018 \u0433\u043e\u0434\u0443 \u0432 \u043f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u044b\u0445 \u043a\u0440\u0443\u0433\u0430\u0445 \u0438 \u043d\u0430 \u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043a\u043e\u043d\u0444\u0435\u0440\u0435\u043d\u0446\u0438\u044f\u0445, \u043f\u043e\u0441\u0432\u044f\u0449\u0435\u043d\u043d\u044b\u0445 AI, \u043f\u043e\u044f\u0432\u0438\u043b\u043e\u0441\u044c \u043f\u043e\u043d\u044f\u0442\u0438\u0435 MLOps, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u0431\u044b\u0441\u0442\u0440\u043e \u0437\u0430\u043a\u0440\u0435\u043f\u0438\u043b\u043e\u0441\u044c \u0432 \u043e\u0442\u0440\u0430\u0441\u043b\u0438 \u0438 \u0441\u0435\u0439\u0447\u0430\u0441 \u0440\u0430\u0437\u0432\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043a\u0430\u043a \u0441\u0430\u043c\u043e\u0441\u0442\u043e\u044f\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435. \u0412 \u043f\u0435\u0440\u0441\u043f\u0435\u043a\u0442\u0438\u0432\u0435 MLOps \u043c\u043e\u0436\u0435\u0442 \u0441\u0442\u0430\u0442\u044c \u043e\u0434\u043d\u043e\u0439 \u0438\u0437 \u043d\u0430\u0438\u0431\u043e\u043b\u0435\u0435 \u0432\u043e\u0441\u0442\u0440\u0435\u0431\u043e\u0432\u0430\u043d\u043d\u044b\u0445 \u0441\u0444\u0435\u0440 \u0432 IT. \u0427\u0442\u043e \u0436\u0435 \u044d\u0442\u043e \u0442\u0430\u043a\u043e\u0435 \u0438 \u0441 \u0447\u0435\u043c \u0435\u0433\u043e \u0435\u0434\u044f\u0442, \u0440\u0430\u0437\u0431\u0438\u0440\u0430\u0435\u043c\u0441\u044f \u043f\u043e\u0434 \u043a\u0430\u0442\u043e\u043c. \u0427\u0442\u043e \u0442\u0430\u043a\u043e\u0435 MLOps MLOps (\u043e\u0431\u044a\u0435\u0434\u0438\u043d\u0435\u043d\u0438\u0435 [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":86524,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[688],"tags":[],"class_list":["post-86523","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-administrirovanie"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.2 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u0412 2018 \u0433\u043e\u0434\u0443 \u0432 \u043f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u044b\u0445 \u043a\u0440\u0443\u0433\u0430\u0445 \u0438 \u043d\u0430 \u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043a\u043e\u043d\u0444\u0435\u0440\u0435\u043d\u0446\u0438\u044f\u0445, \u043f\u043e\u0441\u0432\u044f\u0449\u0435\u043d\u043d\u044b\u0445 AI, \u043f\u043e\u044f\u0432\u0438\u043b\u043e\u0441\u044c \u043f\u043e\u043d\u044f\u0442\u0438\u0435 MLOps, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u0431\u044b\u0441\u0442\u0440\u043e \u0437\u0430\u043a\u0440\u0435\u043f\u0438\u043b\u043e\u0441\u044c \u0432 \u043e\u0442\u0440\u0430\u0441\u043b\u0438 \u0438 \u0441\u0435\u0439\u0447\u0430\u0441 \u0440\u0430\u0437\u0432\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043a\u0430\u043a \u0441\u0430\u043c\u043e\u0441\u0442\u043e\u044f\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435.\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/es\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.2\" \/>\n\t\t<meta property=\"og:locale\" content=\"es_ES\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47MLOps: DevOps \u0432 \u043c\u0438\u0440\u0435 Machine Learning | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u0412 2018 \u0433\u043e\u0434\u0443 \u0432 \u043f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u044b\u0445 \u043a\u0440\u0443\u0433\u0430\u0445 \u0438 \u043d\u0430 \u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043a\u043e\u043d\u0444\u0435\u0440\u0435\u043d\u0446\u0438\u044f\u0445, \u043f\u043e\u0441\u0432\u044f\u0449\u0435\u043d\u043d\u044b\u0445 AI, \u043f\u043e\u044f\u0432\u0438\u043b\u043e\u0441\u044c \u043f\u043e\u043d\u044f\u0442\u0438\u0435 MLOps, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u0431\u044b\u0441\u0442\u0440\u043e \u0437\u0430\u043a\u0440\u0435\u043f\u0438\u043b\u043e\u0441\u044c \u0432 \u043e\u0442\u0440\u0430\u0441\u043b\u0438 \u0438 \u0441\u0435\u0439\u0447\u0430\u0441 \u0440\u0430\u0437\u0432\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043a\u0430\u043a \u0441\u0430\u043c\u043e\u0441\u0442\u043e\u044f\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435.\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/es\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2020-06-26T05:42:14+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2020-06-26T05:42:14+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47MLOps: DevOps en el mundo del Machine Learning | ProHoster","description":"En 2018, en c\u00edrculos profesionales y en conferencias tem\u00e1ticas sobre IA, apareci\u00f3 el t\u00e9rmino MLOps, que se consolid\u00f3 r\u00e1pidamente en la industria y ahora se desarrolla como una direcci\u00f3n independiente.","canonical_url":"https:\/\/prohoster.info\/es\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"es_ES","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47MLOps: DevOps \u0432 \u043c\u0438\u0440\u0435 Machine Learning | ProHoster","og:description":"\u0412 2018 \u0433\u043e\u0434\u0443 \u0432 \u043f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u044b\u0445 \u043a\u0440\u0443\u0433\u0430\u0445 \u0438 \u043d\u0430 \u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043a\u043e\u043d\u0444\u0435\u0440\u0435\u043d\u0446\u0438\u044f\u0445, \u043f\u043e\u0441\u0432\u044f\u0449\u0435\u043d\u043d\u044b\u0445 AI, \u043f\u043e\u044f\u0432\u0438\u043b\u043e\u0441\u044c \u043f\u043e\u043d\u044f\u0442\u0438\u0435 MLOps, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u0431\u044b\u0441\u0442\u0440\u043e \u0437\u0430\u043a\u0440\u0435\u043f\u0438\u043b\u043e\u0441\u044c \u0432 \u043e\u0442\u0440\u0430\u0441\u043b\u0438 \u0438 \u0441\u0435\u0439\u0447\u0430\u0441 \u0440\u0430\u0437\u0432\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043a\u0430\u043a \u0441\u0430\u043c\u043e\u0441\u0442\u043e\u044f\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435.","og:url":"https:\/\/prohoster.info\/es\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2020-06-26T05:42:14+00:00","article:modified_time":"2020-06-26T05:42:14+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"86523","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":null,"breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 14:13:23","updated":"2022-09-28 09:22:54","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts\/86523","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/comments?post=86523"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts\/86523\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/media\/86524"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/media?parent=86523"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/categories?post=86523"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/tags?post=86523"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}