01 — Fundamento MLOps
¿Qué es MLOps y por qué
importa en industria?
MLOps (Machine Learning Operations) es la disciplina de ingeniería que integra los principios
de DevOps, ingeniería de datos y ciencia de datos para llevar modelos de ML desde el desarrollo
experimental hasta la producción operativa de manera confiable, reproducible y monitoreable.
En el contexto industrial, MLOps resuelve el problema del "último kilómetro": el 87% de los
modelos de ML construidos en proyectos no llegan nunca a producción (Gartner, 2022).
Sculley et al. (2015) en el paper seminal "Hidden Technical Debt in Machine Learning Systems"
(NeurIPS) documentan que el código del modelo en sí representa apenas el 5–10%
del sistema total de ML en producción; el 90–95% restante es infraestructura de datos,
monitoreo, versionado, serving y gestión del ciclo de vida. Esta deuda técnica latente es
la causa principal del fracaso de proyectos ML en entornos productivos.
🔬
Data Engineering
Pipelines de datos versionados, validación de calidad, feature stores
🧪
Experimentación
Tracking de experimentos (MLflow), comparación de modelos, selección
🚀
CI/CD ML
Integración continua, pruebas automatizadas, entrega continua del modelo
⚙️
Model Serving
Endpoints REST, batch inference, TF Lite para edge, APIs industriales
📊
Monitoring
Data drift, concept drift, model performance degradation, alertas
🔄
Retraining
Reentrenamiento periódico o disparado por drift, A/B testing de versiones
[1] Sculley D et al. (2015). Hidden Technical Debt in Machine Learning Systems. NeurIPS 2015. doi:10.5555/2969442.2969519
[2] Gartner. (2022). How to Scale AI in Your Organization. Gartner Research ID G00764136.
[3] Kreuzberger D, Kühl N, Hirschl S. (2023). Machine Learning Operations (MLOps): Overview, Definition, and Architecture. IEEE Access, 11, 31866–31879.
02 — Restricciones Industriales
Restricciones Específicas
en LATAM Industrial
Los entornos industriales PYMEs en Colombia y LATAM presentan un conjunto de restricciones
que hacen inadecuada la adopción directa de las arquitecturas MLOps diseñadas para grandes
empresas tecnológicas (Netflix, Uber, Airbnb). OphirIAn ha identificado seis restricciones
críticas y sus patrones de solución correspondientes:
| Restricción | Manifestación | Patrón de solución MLOps | Herramientas |
|---|
| Datos escasos |
n<2000 registros históricos de proceso |
Transfer learning, data augmentation, active learning |
PyTorch, scikit-learn |
| Conectividad limitada |
Internet intermitente o ausente en planta |
Edge ML inference, offline-first architecture, sync periódico |
TF Lite, ONNX Runtime, MQTT |
| Hardware restringido |
Sin GPU, servidores de baja capacidad |
Model compression, quantization, modelos ligeros (LGBM, XGB) |
ONNX, TF Lite, GGUF |
| Sin equipo ML interno |
Operadores sin formación en ML/estadística |
AutoML, interfaces no-code, explicabilidad SHAP/LIME |
AutoML frameworks, Streamlit |
| Deriva de proceso |
Cambios estacionales, variabilidad de MP |
Monitoreo activo de drift, reentrenamiento programado |
Evidently AI, Prometheus |
| Trazabilidad regulatoria |
INVIMA, CODEX, certificaciones de exportación |
Model versioning, data lineage, audit logs completos |
MLflow, DVC, Git-LFS |
Shankar et al. (2022) en "Operationalizing Machine Learning in Industrial Settings"
identifican que las organizaciones industriales medianas con implementación de MLOps adaptado
a sus restricciones alcanzan tasas de 74% de modelos en producción operativa
versus 13% en organizaciones sin MLOps formal, con tiempo promedio de actualización del modelo
de 6 horas vs 3 semanas en sistemas manuales.
[4] Shankar S et al. (2022). Operationalizing Machine Learning: An Interview Study. arXiv:2209.09125.
[5] Paleyes A, Urma RG, Lawrence ND. (2022). Challenges in deploying machine learning: A survey of case studies. ACM Comput Surv, 55(6), 1–29. doi:10.1145/3533378
[6] Renggli C et al. (2021). Continuous Integration of Machine Learning Models. arXiv:1903.00278.
03 — Stack Técnico
MLOps Stack Ligero
para PYMEs
OphirIAn ha definido un stack MLOps de baja complejidad operacional, open source en su mayoría,
que permite implementar las capacidades críticas de MLOps (versionado, monitoreo, reentrenamiento
y serving) con costos de infraestructura inferiores a USD 200/mes para una PYME industrial media.
Capa de Datos
Data + Feature Pipeline
- DVC (Data Version Control) para versionar datasets
- Great Expectations para validación de calidad de datos
- Apache Airflow light (Astronomer) para orquestación
- InfluxDB / PostgreSQL como feature store ligero
- Databricks / Snowflake: excesivo para PYME
Capa de Modelado
Experimentación + Registry
- MLflow Tracking para experimentos y métricas
- MLflow Model Registry para versionado de modelos
- Optuna para optimización de hiperparámetros
- SHAP + LIME para explicabilidad del modelo
- SageMaker / Vertex AI: costo elevado sin uso masivo
Capa de Deployment
Serving en Producción
- FastAPI / BentoML para servir modelos como REST API
- ONNX Runtime para inferencia eficiente en CPU
- TensorFlow Lite para edge deployment (Raspberry Pi)
- Docker para contenedores reproducibles
- Kubernetes: complejidad innecesaria para escala PYME
Capa de Monitoreo
Drift + Performance Monitoring
- Evidently AI para detección de data y concept drift
- Grafana + Prometheus para métricas de sistema
- Alertas via PagerDuty o Telegram Bot para operadores
- Logs estructurados con ELK stack ligero
- Datadog MLOps: costo prohibitivo para PYME
La detección temprana del concept drift —cuando la distribución de los datos de entrada
cambia respecto al tiempo de entrenamiento— es crítica en procesos agroindustriales con fuerte
dependencia estacional. Lu et al. (2018) demuestran que los test estadísticos de drift basados
en MMD (Maximum Mean Discrepancy) detectan cambios significativos en distribución con
latencia media de 48–72 horas, permitiendo reentrenamiento preventivo
antes de que la degradación del modelo afecte la toma de decisiones operativa.
MLOps no es tecnología para grandes empresas:
es el seguro de vida de cualquier modelo ML en producción.
[7] Lu J et al. (2018). Learning under Concept Drift: A Review. IEEE Trans Knowl Data Eng, 31(12), 2346–2363.
[8] Chen J et al. (2022). Towards MLOps: A Framework and Maturity Model. Proc. ICSOC 2022. doi:10.1007/978-3-031-20984-0_1
[9] Breck E et al. (2017). The ML Test Score: A Rubric for ML Production Readiness. IEEE BigData 2017.
[10] Zaharia M et al. (2018). Accelerating the Machine Learning Lifecycle with MLflow. IEEE Data Eng Bull, 41(4), 39–45.
[11] Symeonidis G et al. (2022). MLOps — Definitions, Tools and Challenges. Proc. IEEE COMPSAC 2022.
04 — Madurez MLOps
Niveles de Madurez
MLOps Industrial
Google Cloud define tres niveles de madurez MLOps (0, 1, 2) que representan el camino evolutivo
desde el ML manual artesanal hasta la automatización completa del ciclo de vida. OphirIAn adapta
este framework a la realidad de PYMEs industriales latinoamericanas, estableciendo una ruta
de madurez progresiva y financieramente sostenible.
Nivel 0
ML Manual
· Modelo en Jupyter Notebook
· Predicciones manuales
· Sin versionado
· Sin monitoreo
· Sin CI/CD
Riesgo: Muy alto
Nivel 1
Pipeline Automatizado
· MLflow Tracking activo
· Pipeline de datos versionado
· Serving via REST API
· Monitoreo básico de drift
· Reentrenamiento programado
Target PYME Año 1
Nivel 2
CI/CD Completo
· CI/CD ML automatizado
· Feature store activo
· A/B testing de modelos
· Monitoreo avanzado en tiempo real
· Reentrenamiento auto-disparado
Target Año 2–3
Ruta OphirIAn para PYMEs Industriales
Mes 1–3: Implementar MLflow tracking y versionado de datos (DVC). Establecer baseline de métricas del modelo.
Mes 4–6: Desplegar API de serving (FastAPI + Docker). Activar monitoreo de drift (Evidently). Dashboard operacional (Grafana).
Mes 7–12: Automatizar pipeline de reentrenamiento. Implementar alertas automáticas. Documentación de linaje de datos completo.
Año 2+: CI/CD completo con pruebas automatizadas de modelo. Feature store. Evaluación de A/B testing para nuevas versiones.
[12] Google Cloud. (2023). MLOps: Continuous delivery and automation pipelines in machine learning. cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning
[13] Tamburri DA. (2020). Sustainable MLOps: Trends and challenges. Proc. QUATIC 2020. doi:10.1109/QUATIC51189.2020.00016
[14] Makinen S et al. (2021). Who Needs MLOps: What Data Scientists Seek to Accomplish and How Can MLOps Help? Proc. WAIN@ICSE 2021.
[15] Hewage P et al. (2022). Temporal Fusion Transformers for industrial process monitoring. Appl Soft Comput, 128, 109382.
OphirIAn