12. CI, CD e treinamento contínuo

Automatizar um sistema de ML envolve mudanças de código e mudanças de modelos produzidos por novos dados. Integração, entrega, treinamento e implantação contínuos têm objetos diferentes. Confundir essas etapas pode fazer um treino bem-sucedido promover um modelo que nunca foi avaliado. O capítulo explica CI, CD e CT e mostra como testes e critérios de aceitação conectam as etapas sem transformar toda execução em uma alteração automática de produção.

A última disciplina leva modelos para a operação. Versionamento, pipelines, implantação, monitoramento, governança e resposta a incidentes formam um ciclo contínuo, do experimento à desativação. Este é o capítulo 12 de 20 da disciplina MLOps e Ciclo de Vida de Modelos. Ele retoma Estratégias de implantação e utiliza essa base para avançar. Na sequência, estudaremos Orquestração e confiabilidade de workflows.

O fio condutor

Ciência de Dados começa com uma pergunta e termina com uma decisão que precisa ser compreendida, avaliada e acompanhada. Entre esses dois pontos, dados são coletados, examinados e transformados; métodos são escolhidos; resultados são validados; e limitações são comunicadas. Nenhuma etapa compensa automaticamente uma falha grave ocorrida na etapa anterior.

Neste capítulo, use CI, CD e treinamento contínuo para acompanhar três dimensões: o problema que se deseja resolver, a evidência disponível e o critério usado para avaliar o resultado. Essa separação ajuda a evitar soluções tecnicamente sofisticadas que não respondem à necessidade real.

CI

Começamos por CI, pois essa base organiza os conceitos e exemplos que aparecerão no restante do capítulo.

CI de ML testa código, componentes, dados sintéticos e pipeline.

CI integra mudanças frequentes com verificações automatizadas. Em ML, pode testar transformações, contratos, componentes, empacotamento e execução de um pipeline reduzido. Dados sintéticos ou amostras controladas são úteis para testar propriedades e casos de fronteira, mas não estimam necessariamente qualidade no público real. Separe testes rápidos de avaliações mais custosas e mantenha resultados recuperáveis. Uma alteração aparentemente pequena na preparação pode mudar todas as previsões, por isso o escopo de teste precisa incluir a semântica dos atributos e não apenas sintaxe.

Entrega contínua

Depois de compreender CI, passamos a Entrega contínua. A nova seção acrescenta outra etapa ao mesmo raciocínio e mostra como as decisões anteriores influenciam as próximas.

CD de ML entrega pipeline ou serviço validado ao ambiente-alvo.