01. Fundamentos e ciclo de vida de MLOps

Um modelo útil em um notebook ainda precisa receber dados corretos, responder dentro do prazo e continuar adequado quando o mundo muda. MLOps organiza esse trabalho como um ciclo de engenharia, operação e governança. O foco é entregar uma capacidade confiável de decisão, conectando experimentação a produção. Este capítulo apresenta os componentes do sistema, as etapas do ciclo e a maturidade necessária para automatizar com critérios claros.

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 1 de 20 da disciplina MLOps e Ciclo de Vida de Modelos. Ele abre o percurso e apresenta a base para os capítulos seguintes. Na sequência, estudaremos Reprodutibilidade e versionamento.

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 Fundamentos e ciclo de vida de MLOps 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.

MLOps

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

MLOps aplica princípios de engenharia ao desenvolvimento e à operação contínua de sistemas de ML.

MLOps combina práticas de engenharia de software, engenharia de dados e aprendizado de máquina. O comportamento do produto depende tanto do código quanto dos dados usados para aprender e das condições de utilização. Por isso, testes de funções não substituem avaliação estatística, e boa métrica de validação não substitui disponibilidade e segurança. A equipe precisa definir responsabilidades, critérios de aceitação e observabilidade. Uma prática simples e documentada pode ser mais adequada ao contexto do que uma plataforma complexa sem responsáveis ou objetivos claros.

Ciclo de vida

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

Ciclo de vida do modelo abrange problema, dados, treino, validação, implantação, monitoramento e retirada.