La naturaleza del desarrollo de modelos de ML es un ciclo de mejora gradual. Para lograr buenos resultados, es importante definir un proceso que permita la rápida iteración.
La ingesta de los datos, el aprovisionamiento de recursos, y el entrenamiento de modelos pueden ser automatizados con orquestación y herramientas de tracking. Esto permite dos cosas importantes, liberación de tiempo de desarrollo, y el uso eficiente de recursos de cómputo.
En esta plática abordamos las decisiones de infraestructura y procesos de MLOps desde la óptica de una startup.