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"
DIAGNÓSTICO DE MLOPS
IMPLEMENTACIÓN DEL FRAMEWORK DE MLOPS
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