MLOps per a equips de recerca
Mou el teu model validat d'un notebook de Jupyter a un desplegament en producció documentat i mantenible. Sense Kubeflow, sense stack de plataforma a escala hyperscaler, sense contracte recurrent de consultoria — només el desplegament mínim viable que el teu projecte realment necessita.
On s'embussen els projectes ML en recerca
El model està validat. El que falta és el desplegament. Gairebé tot el que s'ha escrit sobre MLOps es va escriure per a equips de plataforma amb centenars de models a escala — no per a un grup de recerca de quatre persones amb un model que serveix a quaranta usuaris.
El model viu en un notebook de Jupyter al portàtil d'algú. Reproduir-lo requereix aquesta versió exacta de Python, aquests pins de paquets i els passos de neteja implícits a la cel·la 3.
El doctorand que el va construir es gradua en quatre mesos. El seu coneixement institucional del model se'n va amb ell.
Una consultoria anterior va desplegar Kubeflow + Seldon per a un sol model. Sis mesos després, ningú a l'equip sap com actualitzar-lo.
El model no té ruta de revisió humana. Els casos extrems produeixen prediccions equivocades amb alta confiança i ningú se n'adona.
El finançador va preguntar quan estarà el model 'disponible com a servei'. La resposta de l'equip és una barreja de *ja ho veurem* i *no sabem què vol dir això*.
Què entreguem
Un desplegament MLOps per a un equip de recerca és molt més petit que el stack empresarial — i molt més mantenible. Lliurables típics:
Servei d'inferència en contenidor
Servei FastAPI / Flask en un contenidor Docker, desplegable a una VM, al teu cluster institucional o a un servei gestionat de contenidors. Endpoints documentats, entrades i sortides validades per tipus.
Enrutament per confiança + ruta de revisió humana
Separació basada en llindar entre prediccions d'alta i baixa confiança, amb casos de baixa confiança enrutats a revisió humana. Traçabilitat de quines decisions van fer servir quina ruta.
Artefactes de model versionats
Arxiu del model en emmagatzematge d'objectes o en un registre, versionat juntament amb la procedència de les dades d'entrenament. Ruta de rollback explícita. Procediment de re-entrenament documentat.
Model card + runbook
Documentació estructurada: dades d'entrenament, preprocessament, mètriques d'avaluació, ús previst, limitacions conegudes, historial de versions. Cada cop més exigit per finançadors en contextos de salut i d'alt risc.
Logging i monitoratge bàsic
Logs estructurats d'entrades i prediccions per a auditoria, amb l'opció d'afegir detecció de drift més endavant. No construïm un dashboard de Grafana que no miraràs mai; construïm el substrat que et permet construir-lo si el necessites.
Com funciona un projecte MLOps
Quatre a vuit setmanes per a un desplegament d'un sol model. Comencem des del teu notebook validat i acabem amb un servei que el teu equip opera.
Definició d'abast (setmana 1)
Revisem el teu model, el pipeline d'entrenament i el patró d'ús previst. Definim honestament el desplegament mínim viable — basat en usuaris reals, trànsit real, cadència real de re-entrenament — no en arquitectura aspiracional.
Construcció (setmanes 2–6)
Containeritzar el servei d'inferència, connectar la validació d'entrades i l'enrutament per confiança, versionar l'artefacte, escriure la model card. Cada component entregat amb documentació segons s'entrega.
Traspàs (setmana 7–8)
Desplegament a l'entorn objectiu, recorregut del runbook amb l'equip, procediment de re-entrenament documentat. L'equip pot actualitzar el model sense nosaltres després del traspàs.
Quant costa això davant de les alternatives
Un equip intern de plataforma MLOps: 120.000+ €/any mínim (un enginyer ML + un DevOps), abans de comptar el temps de contractació. Una consultoria especialitzada amb tarifa mensual: 5.000–8.000 €/mes indefinidament, normalment amb dependència de proveïdor. Un projecte Pragma de 4–8 setmanes: una sola vegada, acotat, el teu equip opera el desplegament després del traspàs. Sense contracte recurrent, sense dependència de plataforma. El preu del projecte surt de la revisió de projecte, sense compromís previ.
Quina pinta té 'no fer res': el model validat es queda en un notebook al portàtil d'algú. El doctorand que el va construir es gradua. Els casos límit generen prediccions errònies amb confiança alta i ningú se n'adona. Quan el finançador pregunta 'quan estarà disponible com a servei?', la resposta és un potser vague. Sis mesos més tard estàs pagant 6.000 €/mes a una consultoria per mantenir un stack que ningú del teu equip sap llegir. El cost d'actuar ara: 60 minuts de revisió de projecte gratuïta.
Preguntes que els equips de recerca fan sobre MLOps
Tens un model atrapat en un notebook?
Envia'ns el model, els resultats de validació i una nota breu sobre l'ús previst. Respondrem en 2 dies laborables amb un abast o amb preguntes per clarificar.
Sol·licitar revisió de projecte