Pular para o conteúdo principal
Beginner

MLOps

Definição​

MLOps — Machine Learning Operations — é a disciplina de aplicar os princípios e práticas do DevOps ao ciclo de vida do aprendizado de máquina. Ela fornece as ferramentas, os processos e as normas culturais necessárias para desenvolver, implantar e manter modelos de ML de forma confiável em produção. Sem MLOps, as equipes frequentemente entregam modelos que funcionam em notebooks mas se degradam silenciosamente em produção, não podem ser reproduzidos seis meses depois ou levam semanas para serem atualizados.

Os princípios fundamentais do MLOps são a reprodutibilidade (cada experimento e implantação pode ser recriado exatamente), a automação (pipelines de dados, treinamento, avaliação e implantação são acionados por código, não por etapas manuais), o monitoramento (o desempenho do modelo é rastreado continuamente em produção) e a colaboração (cientistas de dados, engenheiros de ML e equipes de plataforma compartilham ferramentas, padrões e responsabilidades). Esses princípios correspondem diretamente aos pilares do DevOps — integração contínua, entrega e feedback — aplicados a dados e artefatos de modelos em vez de apenas código.

O MLOps surgiu quando as equipes descobriram que as práticas de engenharia de software que dominam a complexidade do software não se transferem automaticamente para o ML. O código é apenas uma entrada: as distribuições de dados mudam, a precisão do modelo decai, os experimentos proliferam, e um modelo que teve bom desempenho num conjunto de validação em janeiro pode se comportar de forma imprevisível em julho. O MLOps fornece o suporte para detectar e responder a esses problemas de forma sistemática.

Como funciona​

Gerenciamento de dados​

Os dados brutos são ingeridos, validados, versionados e armazenados em um feature store ou data lake. A validação de dados detecta desvios de esquema e mudanças de distribuição antes que corrompam uma execução de treinamento. O versionamento garante que os modelos possam ser retreinados exatamente com os dados que produziram uma versão anterior.

Experimentação e treinamento​

Os cientistas de dados executam experimentos — variando hiperparâmetros, arquiteturas e conjuntos de features — e todas as execuções são registradas em um rastreador de experimentos. A melhor execução é promovida para avaliação adicional. Os pipelines de treinamento automatizados (acionados por novos dados ou um commit de código) eliminam etapas manuais e permitem o retreinamento contínuo.

Avaliação e validação​

Os modelos candidatos são avaliados em conjuntos de teste retidos, verificações de equidade e orçamentos de latência antes da promoção. Os portais de avaliação impedem que regressões cheguem à produção. Testes A/B ou implantações sombra podem comparar modelos candidatos e de produção com tráfego real.

Implantação e serving​

Os modelos aprovados são empacotados, registrados em um registro de modelos e implantados por meio de pipelines CI/CD na infraestrutura de serving. Implantações canary e mecanismos de rollback reduzem o risco. A infraestrutura como código garante que os ambientes de serving sejam reproduzíveis.

Monitoramento e feedback​

As métricas de produção — distribuições de previsões, desvio de dados, latência, taxas de erro — são coletadas e retroalimentadas à equipe. Os alertas acionam pipelines de retreinamento ou rollbacks de modelos. Os loops de feedback fecham o ciclo de vida do ML, transformando sinais de produção em novos dados de treinamento.

Quando usar / Quando NÃO usar​

Usar quandoEvitar quando
Modelos são implantados em produção e atendem usuários reaisO projeto é uma análise pontual ou um protótipo de pesquisa
Vários membros da equipe colaboram nos mesmos modelosA equipe tem menos de duas pessoas e um único modelo
Os modelos requerem retreinamento periódico à medida que os dados derivamO modelo é estático e nunca será atualizado
Requisitos regulatórios ou de auditoria exigem reprodutibilidadeA velocidade de exploração é a única prioridade e nenhuma implantação em produção está planejada
Há mais de um modelo em produção para gerenciarA sobrecarga das ferramentas supera a vida útil esperada do projeto

Exemplos de código​

# mlflow_quickstart.py
# Demonstrates basic MLflow experiment tracking for a simple classifier.
# Run: pip install mlflow scikit-learn

import mlflow
import mlflow.sklearn
from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, f1_score

# Load data
X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# Define hyperparameters to log
params = {
    "n_estimators": 100,
    "max_depth": 5,
    "random_state": 42,
}

# Start an MLflow experiment run
mlflow.set_experiment("iris-classification")

with mlflow.start_run(run_name="random-forest-baseline"):
    # Log hyperparameters
    mlflow.log_params(params)

    # Train the model
    clf = RandomForestClassifier(**params)
    clf.fit(X_train, y_train)

    # Evaluate
    y_pred = clf.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    f1 = f1_score(y_test, y_pred, average="weighted")

    # Log metrics
    mlflow.log_metric("accuracy", accuracy)
    mlflow.log_metric("f1_score", f1)

    # Log the trained model with a registered name
    mlflow.sklearn.log_model(
        clf,
        artifact_path="model",
        registered_model_name="iris-random-forest",
    )

    print(f"Accuracy: {accuracy:.4f} | F1: {f1:.4f}")
    print(f"Run ID: {mlflow.active_run().info.run_id}")

Recursos práticos​

Veja também​