ES / EN — English

Caso de estudio · MLOps

Plataforma interna de MLOps sin código

Conectar datos, entrenar, registrar, desplegar e integrar modelos en el producto sin escribir código, con alertas y recomendaciones avanzadas.

Mi rol
Liderazgo técnico del proceso y de la decisión de inversión
Industria
SaaS industrial
Estado
En producción

01 · Problema

Cada modelo se hacía a mano

Cada modelo o soft sensor para las plantas de los clientes se construía de forma artesanal: conectar los datos, preparar el dataset, entrenar, guardar y desplegar a mano. Con un equipo pequeño, ese ritmo limitaba cuántos casos de uso se podían atender.

02 · Solución

Tratar los modelos como un producto que se fabrica

Una plataforma interna, inspirada en la manufactura esbelta, donde todo el ciclo se hace sin código: conexión segura a la base de datos, gestión de datasets, entrenamiento, registro y respaldo de modelos, despliegue e integración directa en el producto SaaS. La misma plataforma gestiona las recomendaciones y las alertas avanzadas, construidas con modelamiento estadístico de los datos.

03 · Por qué no otra herramienta

Evaluamos las opciones del mercado

Antes de construir, evaluamos las herramientas existentes. Ninguna resolvía el problema completo:

  • MLflow resuelve bien la trazabilidad de experimentos y el registro de modelos, pero no buscábamos solo eso: queríamos que entrenar y desplegar un modelo no requiriera escribir código.
  • Amazon SageMaker cubre todo el ciclo de machine learning, pero para nuestro tamaño era una solución sobredimensionada: exigía un esfuerzo grande de implementación, sus costos de uso son difíciles de controlar y no resolvía el monitoreo ni la integración inmediata con nuestro producto.

Por eso construimos una plataforma propia, con capacidades parecidas a las de una suite de MLOps pero hecha a la medida de nuestros datos y de nuestro producto. Cubre el ciclo completo:

  • Integración directa y segura con nuestras fuentes de datos.
  • Limpieza de datos con algoritmos y también visual: los datos de sensores suelen traer outliers que a un algoritmo le cuesta distinguir, y poder revisarlos a la vista acelera mucho el trabajo.
  • Transformación ágil de las variables que necesita cada modelo.
  • Registro y observabilidad de los modelos.
  • Despliegue directo de cada modelo, comunicándose con el producto SaaS sin pasos intermedios.

04 · Evolución

De meses a un día

  1. 1Artesanal

    Cada modelo se construía y desplegaba a mano: unos tres meses hasta producción.

  2. 2Sistematizado

    Automatizamos y estandarizamos pasos del proceso, y el tiempo bajó a cerca de un mes.

  3. 3Plataforma

    Con la plataforma, un modelo podía estar en producción en un día. El tiempo restante se va en explorar los datos y encontrar el mejor modelo.

05 · Resultados

Qué cambió

Resultados reales · sin cifras por confidencialidad
  • Reducción: Mucho menos tiempo para llevar un modelo a producción
  • Aumento: Modelos entrenados

06 · Mi contribución

Lideré el cambio de proceso

  1. 01Diagnosticar
    • Identificación del cuello de botella en la implementación de modelos.
  2. 02Diseñar
    • Diseño del proceso de producción de modelos.
  3. 03Decidir
    • Decisión de construir una plataforma propia en vez de adoptar una herramienta existente.
  4. 04Alinear
    • Alineación del equipo en torno al nuevo flujo.

07 · Tecnologías

Herramientas

PythonDjangoCeleryAWS EC2AWS S3AWS LambdaGitHub Actions