Lo básico Póngase al día con nuestro contenido introductorio.

Fusionar DevOps y el aprendizaje automático requiere una reestructuración

Las empresas que se están reestructurando para fusionar sus equipos tradicionales de DevOps con sus esfuerzos de aprendizaje automático para ayudar con la accesibilidad deben incluir voces de varios equipos.

La teoría detrás de combinar los esfuerzos de ingeniería de aprendizaje automático con DevOps es integrar los ingenieros y los esfuerzos de aprendizaje automático con ingenieros de software tradicionales para llevar la investigación y el desarrollo (I+D) a producción. Si bien las operaciones de aprendizaje automático son una tendencia ascendente, lograr que la cultura y la transición a los equipos de operaciones de aprendizaje automático (MLOps) sean correctas puede ser difícil.

Existen varios desafíos en el desarrollo de inteligencia artificial (IA) y aprendizaje automático, y garantizar una comunicación y enfoque empresarial adecuados pueden ser cruciales para el éxito de una empresa. Algunas compañías pueden requerir cambios organizacionales para empoderar mejor a un equipo de MLOps.

Dillon Erb, CEO y cofundador de Paperspace, una plataforma de desarrollo de inteligencia artificial y aprendizaje automático, habla sobre el aumento de MLOps y los cambios organizativos necesarios para una integración adecuada, así como lo que puede deparar el futuro en este campo.

¿Qué es MLOps y por qué se está desarrollando?

Dillon Erb: MLOps representa la fusión de los esfuerzos de ingeniería de aprendizaje automático con equipos DevOps más tradicionales. Abarca las herramientas y sistemas que permiten a los equipos integrar todos los esfuerzos e ingenieros de aprendizaje automático con ingenieros de software tradicionales para mover iniciativas de I+D a entornos de producción. Históricamente, estos fueron dos grupos diferentes. MLOps está motivado por la idea de que cuando se recopila una gran cantidad de datos, es posible crear potentes modelos predictivos que pueden funcionar como cualquier otra aplicación de software en una organización.

El aprendizaje automático (machine learning) todavía es nuevo en el sentido de que muchos de los nuevos marcos y técnicas en torno a las aplicaciones y técnicas de vanguardia, como el aprendizaje profundo, han sucedido en los últimos cinco años. Muchas compañías y grupos de investigación han estado invirtiendo en tecnología de aprendizaje profundo, pero integrar eso con los sistemas existentes aún es difícil.

La razón por la que está sucediendo ahora es porque, en los últimos años, las cosas se han estado moviendo a un ritmo vertiginoso en términos de avances en el dominio del aprendizaje automático con nuevos marcos y tecnologías, como PyTorch, Tensor Flow, aprendizaje por refuerzo, datos sintéticos, etc., todo fusionado. Entonces, la gran pregunta es: ¿cómo lo integramos con todo lo demás?

A menudo hay problemas de comunicación entre los equipos de científicos de datos y los equipos de operaciones y producción. ¿A quién le reportaría el equipo de MLOps?

Erb: El principal oficial de inteligencia artificial es en gran medida la persona que hoy es responsable de diseñar estos sistemas y fusionar estos dos mundos. En última instancia, las empresas tienen equipos que son responsables de monitorear e implementar el código para la producción. Necesitan ser parte de esta conversación. Es un nuevo título que significa muchas cosas. Lo hemos visto ser utilizado dentro de la organización de ventas a la oficina del director de tecnología (CTO).

Dependiendo de dónde encaja dentro de una organización, podría ser de su competencia ejecutar los esfuerzos de MLOps. En general, lo que vemos es que los directores de inteligencia artificial también tienen la tarea de averiguar cuáles son las aplicaciones en la empresa para esta tecnología; en otras palabras, averiguar qué podemos hacer con esta tecnología y no solamente cómo lo haremos. Una vez que se reduce a cómo lo hacemos, debe incorporarse a los equipos existentes que desarrollan las aplicaciones de producción.

¿Es este un problema de organización, un problema de tecnología o ambos?

Erb: Yo diría que son las dos cosas. En el lado de la tecnología, que es lo más obvio, se reduce a qué lenguajes de programación y técnicas se utilizan. En el aprendizaje automático, el lenguaje dominante es Python, mientras que la ingeniería de software tradicional está dominada principalmente por JavaScript, Go, Ruby, etc. En otras palabras, se tienen tecnologías que realmente no interactúan, lo que crea un problema. Escuchamos historias todo el tiempo sobre grupos de aprendizaje automático que construyen un modelo en Python y luego lo entregan a un equipo de DevOps que básicamente reescribe todo en Java o una tecnología con la que están más familiarizados.

En el lado organizacional, debido a que el aprendizaje automático todavía es una tecnología emergente, no es completamente obvio dónde se ubica dentro de una organización más grande. ¿Es un equipo de aprendizaje automático distinto de un equipo de ciencia de datos? ¿A quién informa? Nuestra opinión es que debería ser parte de la organización tradicional de ingeniería de software, pero las herramientas aún no están allí y en eso estamos trabajando.

¿Dónde visualiza el DevOps y el aprendizaje automático dentro de 10 años?

Erb: Lo que vemos como el mayor resultado de los esfuerzos colectivos de todas las empresas que trabajan en el espacio es que el aprendizaje automático ya no es una entidad distinta dentro de una organización, sino que se integra directamente. Eso está sucediendo en dos direcciones. Primero, las empresas que están construyendo modelos personalizados de aprendizaje automático que son parte de su IP interna, pueden incorporarlos a nivel organizacional. Por otro lado, significa que las empresas que podrían tener mil ingenieros de software y tal vez solo 10 ingenieros dedicados de aprendizaje automático hoy en día pueden usar herramientas como Gradient para convertir a cada uno de esos desarrolladores en un ingeniero de aprendizaje automático. Eso es lo que estamos haciendo: tomar lo mejor del mundo del aprendizaje automático y hacerlo operativo dentro del proceso de desarrollo de software.

Una analogía que me viene a la mente es que hace 15 años, las compañías tenían un equipo web separado y un equipo móvil. Ahora el modelo común es solo un equipo de ingeniería de software que realiza aplicaciones web y móviles. La convergencia de esos dos mundos es lo que está en juego aquí. Es por eso que creemos que es tan importante para las empresas invertir hoy en herramientas modernas de desarrollo de software que se construyen con la perspectiva del aprendizaje automático.

Investigue más sobre Desarrollo de aplicaciones

Inicie la conversación

Envíenme notificaciones cuando otros miembros comenten sobre este artículo.

Por favor cree un Nombre de usuario para poder comentar.

Close