*Ops to MLOPS
El Platform Engineer que aprendió a hablar ML
Platform Engineer + CNCF Ambassador, AWS community builder. I design scalable cloud-native platforms and love making teams faster and safer.
Hace tiempo, cuando algunos de mis compañeros de datos o de AI (como en ese entonces les conocía) se acercaban y nos pedían infraestructura o forma “despliegues que se salian del standard“, siempre nos retaban al equipo de plataforma con sus requerimientos, y eso honestamente era divertido
Hoy es 6 de enero, y como cada año, los Reyes Magos traen regalos.
Pero los míos no vinieron envueltos en papel dorado.
Hace tiempo, yo era ese Platform Engineer que:
Construía infraestructura sólida
Automatizaba pipelines de CI/CD
No entendía por qué los Data Scientists necesitaban "cosas raras"
Los Data Scientists llegaban a con sus requierimientos:
"Necesito versionar datasets de 500GB"
"¿Por qué no puedo reproducir este experimento?"
"Este modelo funcionaba ayer y hoy no"
Y yo pensaba: "¿Por qué no usan Git como gente normal?"
Spoiler: ML no es software tradicional. Y las plataformas para ML tampoco.
Hasta que descubrí que MLOps no es DevOps con otro nombre. Son 3 pilares que transforman cómo construyes plataformas para equipos de ML:
Regalo 1: ORO - Entender el problema real
Por qué ML es diferente a software tradicional. Por qué tus pipelines de CI/CD no son suficientes. Qué necesitan realmente los equipos de ML.
Regalo 2: INCIENSO - Infraestructura para datos y experimentos
No solo versionar código. Versionar datasets, trackear miles de experimentos, garantizar reproducibilidad. DVC, LakeFS, MLflow.
Regalo 3: MIRRA - Orquestación que entiende ML
Airflow está bien para ETLs. Pero ¿training pipelines? ¿Model serving? ¿A/B testing de modelos? Necesitas otras herramientas.
Durante las próximas 3 semanas voy a compartir estos 3 regalos contigo.
Desde la perspectiva de alguien que viene de plataformas e infraestructura, no de Data Science.
📅 Cada semana = 1 regalo
📝 5 posts diarios (Lun-Vie) con contenido práctico
Semana 1 (7-11 Ene): Por qué ML rompe tus asunciones de software tradicional
Semana 2 (13-18 Ene): Infraestructura para versionado y tracking
Semana 3 (20-25 Ene): Orquestación y automatización para ML
El objetivo: Que construyas plataformas que tus Data Scientists realmente necesiten.
No más:
"Usamos Kubernetes" (¿pero para qué?)
"Tenemos CI/CD" (¿versiona tus datos?)
"Deployamos modelos" (¿monitoreas drift?)
De Zero a MLOps. Desde la perspectiva de quien construye la plataforma.
¿Te unes al viaje? 🚀
Nos vemos mañana con el primer post: "Por qué Git no es suficiente para ML"
