# *Ops to MLOPS

**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"

---