MLOps (Machine Learning Operations) es la disciplina que une el desarrollo de modelos de machine learning con las prácticas de ingeniería de software necesarias para llevarlos a producción y mantenerlos en el tiempo. A diferencia de un software tradicional, los modelos de ML tienen comportamientos que cambian con el tiempo incluso sin modificar el código: se degradan a medida que los datos del mundo real divergen de los datos de entrenamiento.

Por qué el 87% de los proyectos de ML nunca llegan a producción

El dato, citado frecuentemente en la industria, refleja una brecha estructural: los equipos de data science tienen herramientas excelentes para experimentar con modelos (notebooks Jupyter, sklearn, PyTorch), pero las habilidades de ingeniería para desplegar, monitorear y mantener esos modelos en producción son fundamentalmente diferentes.

Un modelo que funciona perfectamente en un Jupyter notebook puede fallar en producción por razones que no tienen nada que ver con el algoritmo: el formato de los datos de entrada en producción difiere del esperado, la latencia de inferencia es inaceptable bajo carga real, o el modelo falla silenciosamente en casos de borde sin alertar a nadie.

Los pilares de MLOps

• Versionado de datos y modelos: DVC (Data Version Control) permite versionar datasets y modelos igual que Git versiona código. MLflow registra experimentos, métricas y artefactos.
• Pipelines reproducibles: Herramientas como Kubeflow, Airflow o Metaflow automatizan el flujo completo desde datos crudos hasta modelo desplegado.
• Serving de modelos en producción
• Monitoreo de data drift: Detectar cuando la distribución de los datos de entrada en producción se aleja de los datos de entrenamiento.
• CI/CD para ML

Model drift: el problema más silencioso

El data drift ocurre cuando las características de los datos en producción cambian respecto a los datos con los que se entrenó el modelo. El model drift (o concept drift) ocurre cuando la relación entre los datos de entrada y las salidas correctas cambia en el mundo real, aunque los datos de entrada no cambien.

Un modelo de detección de fraude bancario entrenado antes de 2020 probablemente tiene mal rendimiento en 2026: los patrones de fraude cambiaron radicalmente. Sin monitoreo de drift, el modelo seguiría desplegado tomando decisiones incorrectas silenciosamente.

MLOps para aplicaciones web con componentes de ML

Para aplicaciones web que incorporan modelos de ML (recomendadores, clasificadores de contenido, detectores de spam), las prácticas de MLOps no son un lujo sino una necesidad operativa. El modelo es parte del servicio y debe tener el mismo nivel de observabilidad que el resto del código.

En Octopus Agencia Digital integramos componentes de ML en aplicaciones web con prácticas de MLOps desde el diseño inicial. Si tu proyecto necesita IA en producción, hablemos sobre cómo hacerlo correctamente.