El avance en el desarrollo de MLOps, conocido como machine learning operations, está transformando significativamente la forma en que las empresas implementan modelos de aprendizaje automático. Esta disciplina integra personas, procesos y tecnología para ejecutar casos de uso de machine learning de manera eficiente, centrándose en plataformas que aseguran la reproducibilidad y robustez de los ciclos de vida de los modelos.
Para los clientes empresariales, es crucial adoptar plataformas de MLOps que permitan un seguimiento y observabilidad completos. Estas plataformas están diseñadas como sistemas de múltiples cuentas que incorporan estrictas medidas de seguridad y buenas prácticas de desarrollo. La implementación automática, a través de tecnologías de integración y entrega continua (CI/CD), es esencial para que los usuarios interactúen únicamente al realizar cambios en los repositorios de código.
Terraform, desarrollado por HashiCorp, se destaca como una herramienta esencial en este ámbito. Ha sido adoptada ampliamente para desarrollar, construir y estandarizar la infraestructura de AWS en entornos de múltiples nubes. Junto con GitHub y sus acciones, Terraform está promoviendo la colaboración entre comunidades de DevOps y MLOps a nivel mundial.
Un reciente artículo expone cómo implementar una plataforma de MLOps utilizando Terraform en conjunto con GitHub y GitHub Actions. Este enfoque se centra en crear una infraestructura robusta para establecer una pipeline de entrenamiento que registre modelos en el Registro de Modelos de Amazon SageMaker, simplificando así el proceso desde el desarrollo hasta el despliegue de modelos.
Científicos de datos e ingenieros de machine learning, los usuarios finales en este contexto, podrán usar plantillas del proyecto SageMaker adaptables a sus necesidades. Esto facilita la configuración estándar y crea repositorios privados en GitHub que pueden personalizarse según el caso de uso, todo a través de modelos reutilizables de Terraform, diseñados para operar en distintos entornos de implementación.
Por otra parte, las organizaciones pueden acceder a plantillas personalizadas de SageMaker, orientadas al entrenamiento y evaluación de modelos, que guían en el proceso. Cada proyecto de SageMaker activa una plantilla de AWS CloudFormation que gestiona la infraestructura y los recursos necesarios, lo cual agiliza la fase de implementación y minimiza errores.
El interés por estas plataformas está en aumento, ya que proporcionan guías claras para preparar infraestructuras en AWS, establecer organizaciones en GitHub y gestionar el estado de recursos con backends de Terraform, todo con el objetivo de facilitar una experiencia de usuario final más accesible y eficiente.
