Casos de exito
MLOps para escalar Analítica Avanzada
El Desafío
Una empresa de seguros líder en su país gestionaba aproximadamente 20 modelos productivos de Machine Learning que generaban un valor significativo para la organización. Sin embargo, estos modelos eran mantenidos manualmente por el equipo de Data Science, quienes heredaban la responsabilidad de su funcionamiento y soporte continuo. Este enfoque manual presentaba varios desafíos, incluyendo la dificultad para escalar y la incapacidad de asignar recursos del equipo de Data Science a la evaluación y desarrollo de nuevos productos de datos.
Para abordar estos problemas, se estableció el objetivo de definir y desarrollar un framework de MLOps. Este framework no solo buscaba automatizar y optimizar el mantenimiento de los modelos existentes, sino también permitir a la empresa escalar su capacidad analítica. Con una infraestructura de MLOps en lugar, la empresa podría desplegar y gestionar más modelos de Machine Learning en producción, asegurando un monitoreo y actualización constante sin intervención manual intensiva. Además, este nuevo enfoque permitiría al equipo de Data Science centrarse en iniciativas más estratégicas y en la creación de nuevos modelos, facilitando así una toma de decisiones más ágil y basada en datos.
Implementar un framework de MLOps transformaría la manera en que la empresa maneja sus activos de datos, aumentando la eficiencia operativa y potenciando el uso de datos para impulsar decisiones críticas de negocio.
Es clave alinear el framework de MLOps a la realidad del negocio, buscando impactar los modelos de mayor valor agregado"
La estrategia
DIAGNÓSTICO DE MLOPS
- Se hizo un diagnóstico profundo de las capacidades técnicas y tecnológicas del equipo y la arquitectura de datos del cliente. A partir de este diagnóstico se estiman tanto el nivel de madurez de la empresa de seguros en MLOps según una metodología de evaluación desarrollada por Brain Food, como los siguientes pasos de implementación.
IMPLEMENTACIÓN DEL FRAMEWORK DE MLOPS
- Una vez definidos los siguientes pasos para incrementar la madurez de MLOps del cliente según el nivel estimado, se tomó el modelo compuesto que mayor valor generaba para pasarlo a la metodología recomendada por Brain Food.Esta implementación consiste en una serie de procesos automatizados para ingesta, inferencia, mantenimiento, reentrenamiento e integración y despliegue continuo del modelo.
- Se implementó el framework en un modelo de Next Best Action compuesto por 10+ modelos de Machine Learning anidados, donde se recomendó una arquitectura y posibles escalamientos siguientes futuros. Adicionalmente, se presentó una propuesta de modelo operativo que determina cómo debe funcionar el equipo de MLOps dentro de la estructura de la organización.
Los Logros
Diagnóstico de Capacidades y tecnología de MLOps
Diseño de una arquitectura de MLOps
Propuesta de modelo operativo del equipo de MLOps
Implementación de un modelo prioritario dentro del Framework de MLOps
