MLOps (industrial)

Um modelo treinado com a linha do ano passado é um modelo da linha do ano passado. As ferramentas desgastam-se, os fornecedores mudam, um sensor é recalibrado, entra um produto novo na gama, e o “normal” aprendido deixa silenciosamente de ser normal. Sem gestão, isto produz o padrão de falha do segundo ano: um sistema que era certeiro na implementação e que dezoito meses depois é educadamente ignorado.

O que a disciplina abrange

Monitorização de deriva: verificar se os dados em tempo real ainda se assemelham aos dados de treino e se o desempenho do modelo (precisão dos alertas, exatidão das estimativas) está a decair. Retreino: atualizações programadas ou desencadeadas que incorporam o histórico recente sem engolir as anomalias recentes como “normais”. Versionamento e reversão: saber que modelo tomou que decisão: cada vez mais um requisito de auditoria. Gestão de regimes: informar o sistema das alterações planeadas (novo produto, intervenções de manutenção) para que se adapte deliberadamente em vez de aprender acidentes.

A tradução para o comprador

Para uma fábrica que compra plataformas (em vez de construir modelos), o MLOps deve ser um problema do fornecedor, visível para si como indicadores de saúde dos modelos e como uma resposta clara a perguntas concretas: O que acontece quando introduzimos um produto? Quem aprova um retreino? Conseguimos ver porque é que o modelo deste mês assinala de forma diferente do do mês passado? Os fornecedores com respostas reais têm maturidade operacional; os que respondem com nomes de algoritmos não têm.

Perguntas frequentes

Com que frequência precisam os modelos industriais de retreino?

Por evento é melhor do que por calendário: retreinar quando é detetada deriva, na introdução de produtos ou em alterações da instrumentação. As plataformas maduras automatizam a deteção e fazem do retreino um evento revisto e versionado, em vez de uma substituição silenciosa.

Precisamos de uma equipa de MLOps para comprar uma plataforma de ML?

Não: essa é a promessa central desta geração de plataformas. Precisa de alguém responsável por agir sobre os sinais de saúde dos modelos, tal como alguém é responsável pela calibração. Construir modelos personalizados internamente é uma decisão diferente, que exige de facto uma equipa de engenharia.