MLOps: Una taxonomía y una metodología

En las últimas décadas, el crecimiento sustancial en la disponibilidad de datos empresariales y los avances en Inteligencia Artificial (IA) han permitido a las empresas resolver problemas del mundo real utilizando Aprendizaje Automático (AA). Las Operaciones de Aprendizaje Automático (MLOps) representan una estrategia efectiva para llevar modelos de AA de recursos académicos a herramientas útiles para resolver problemas en el mundo corporativo. La literatura actual sobre MLOps aún está mayormente desconectada y esporádica. En este trabajo, revisamos la literatura científica existente y proponemos una taxonomía para agrupar artículos de investigación sobre MLOps. Además, presentamos metodologías y operaciones destinadas a definir un pipeline de AA para simplificar la liberación de aplicaciones de AA en la industria. El pipeline se basa en diez pasos: comprensión del problema empresarial, adquisición de datos, metodología de AA, entrenamiento y prueba de AA, integración continua, entrega continua, entrenamiento continuo, monitoreo continuo, explicabilidad y sostenibilidad. El interés científico y empresarial y el impacto de MLOps han crecido significativamente en los últimos años. La definición de una metodología clara y estandarizada para llevar a cabo proyectos de MLOps es la principal contribución de este artículo.