Glosario de IA Operations
¿Qué es MLOps?
← Todos los términos del glosarioEl conjunto de prácticas para desplegar, monitorizar y mantener modelos de machine learning en producción de forma fiable y repetible.
Explicación
MLOps (machine learning operations) aplica las prácticas de DevOps al machine learning: control de versiones, pipelines automatizados, pruebas, despliegue, monitorización y vuelta atrás, extendidos a los datos y a los modelos. El código del modelo es una parte pequeña de un sistema de ML en producción; a su alrededor están la recogida y validación de datos, los pipelines de variables, el entrenamiento, el servicio y la monitorización. MLOps automatiza toda esa cadena para que los modelos se puedan reentrenar, comprobar y publicar sin pasos manuales. Sin él, los modelos que funcionaban en un notebook tienden a empeorar o a romperse cuando cambian los datos reales.
Cómo funciona
Un pipeline de MLOps convierte la construcción de un modelo en un proceso repetible. Se validan los datos, se entrena y evalúa el modelo y, si supera los umbrales acordados, se empaqueta y se despliega. En producción se vigilan sus entradas y salidas, y una caída de calidad o un cambio en los datos puede disparar un reentrenamiento o una vuelta atrás.
Las prácticas principales:
- Versionado de código, datos, variables y modelos, para poder reproducir cualquier resultado.
- Integración y entrega continuas tanto del código como del modelo entrenado.
- Entrenamiento continuo cuando llegan datos nuevos o baja el rendimiento.
- Monitorización de calidad, deriva de datos, latencia y coste.
- Un registro de modelos con aprobaciones, trazabilidad y opción de volver atrás.
MLOps frente a DevOps
DevOps trabaja con código que se comporta igual hasta que alguien lo cambia. Un modelo de machine learning puede empeorar sin tocar el código, solo porque los datos que ve en producción ya no se parecen a los de entrenamiento. MLOps añade lo que eso exige: validación de datos, evaluación de modelos, entrenamiento continuo y vigilancia del comportamiento del modelo, no solo del servicio.
MLOps para LLM e IA generativa
Con los grandes modelos de lenguaje, las mismas ideas se aplican a piezas nuevas: prompts, system prompts, índices de recuperación, conjuntos de evaluación y guardrails. Todos necesitan versionado, pruebas y monitorización, igual que un modelo entrenado. Es lo que se suele llamar LLMOps. El peso pasa del reentrenamiento a la evaluación, el control de costes y el seguimiento de la calidad de las respuestas a lo largo del tiempo.
Preguntas frecuentes
¿Qué es MLOps en pocas palabras?
Es la forma de trabajar que lleva los modelos de machine learning de un experimento a un servicio que funciona bien cada día. Automatiza el entrenamiento, las pruebas, el despliegue y la monitorización para que los modelos sigan siendo útiles cuando cambian los datos.
¿Qué diferencia hay entre MLOps y DevOps?
DevOps automatiza la construcción y publicación de software. MLOps añade lo que necesitan los modelos: datos versionados, evaluación, reentrenamiento y vigilancia de la deriva, porque un modelo puede empeorar sin que cambie su código.
¿Por qué fallan los modelos de machine learning en producción?
Muchas veces porque cambian los datos, se rompe el pipeline que alimenta el modelo o nadie se da cuenta de que la calidad baja. El modelo es una parte pequeña del sistema; la mayoría de los fallos vienen de los datos y la infraestructura que lo rodean, y eso es lo que resuelve MLOps.
¿Qué es LLMOps?
LLMOps aplica las prácticas de MLOps a los grandes modelos de lenguaje. Además de los modelos, versiona y prueba prompts, índices de recuperación y guardrails, y vigila en producción la calidad de las respuestas, la latencia y el coste.
¿Qué herramientas se usan en MLOps?
Hay herramientas open source y servicios gestionados de los proveedores de nube para pipelines, seguimiento de experimentos, registro de modelos, servicio y monitorización. La elección depende de la plataforma que ya tengas; importan más las prácticas que una herramienta concreta.
Guías de decisión que usan este término
Cómo llevarlo a la práctica
Dónde aparece en Thinkia
Para seguir leyendo
Términos relacionados
Fuentes
- Google Cloud · MLOps: continuous delivery and automation pipelines in machine learning (en inglés)
- Sculley et al. · Hidden technical debt in machine learning systems (NeurIPS 2015) (en inglés)
- Microsoft · MLOps: model management, deployment and monitoring with Azure Machine Learning (en inglés)
Actualizado: 2026-10-21