01
Implantar um modelo não é a linha de chegada
Um modelo de ML não é um software que você constrói uma vez e esquece. Você coleta dados, treina, avalia e implanta, e depois continua acompanhando o desempenho e retreinando com dados novos, de novo e de novo. A cena abaixo mostra esse ciclo. Experimente escolher uma etapa.
- Implantar
- Coloque o modelo em produção
O ciclo de vida de ML: o retreinamento no fim volta para a preparação de dados
Implantar: Coloque o modelo em produção. As etapas em azul-claro (implantar, monitorar, retreinar) são onde o MLOps faz a maior parte do trabalho.
No software comum, se o código não muda, o comportamento também não muda. É aqui que muita gente se confunde: num modelo de ML, mesmo com exatamente o mesmo código, o desempenho muda quando os dados que chegam mudam. Por isso não basta versionar e acompanhar o código; os dados e o modelo também entram na conta. O MLOps pega o DevOps, a prática que une desenvolvimento e operação de software, e o amplia para caber no aprendizado de máquina.
Pesquisas com sistemas de ML reais mostraram que o código que treina o modelo é só uma pequena parte do todo. O trabalho em volta dele, como coletar e validar dados, criar atributos, implantar e monitorar, é muito maior. O MLOps automatiza e registra esse trabalho, e assim sobram menos erros de quem faz tudo à mão.
| Nível de maturidade | Como fica na prática |
|---|---|
| Manual | Alguém treina à mão num notebook e repassa um arquivo do modelo. Difícil de recriar |
| Pipeline automatizado | Um pipeline vai dos dados até o registro e retreina sozinho quando chegam dados novos |
| CI/CD automatizado | Os testes e a implantação do próprio código do pipeline também são automatizados |
Se a questão disser… → escolha isto
- “Um ciclo que se repete: dados → treinamento → avaliação → implantação → monitoramento → retreinamento”Ciclo de vida de ML
- “Automatizar e padronizar como os modelos de ML são construídos e operados”MLOps
- “Se o código não muda, o desempenho do modelo também não muda”Errado: o desempenho muda quando os dados mudam
- “Versionar juntos código, dados e modelos”Reprodutibilidade no MLOps
O primeiro passo é transformar o trabalho manual em um pipeline que roda os mesmos passos, na mesma ordem.
02
Pipelines e reprodutibilidade
Um pipeline de treinamento executa automaticamente, numa ordem fixa, a validação de dados, a criação de atributos, o treinamento, a avaliação e o registro do modelo. Ele dispara quando acumulam dados novos ou num horário programado. A etapa de avaliação tem um nível mínimo de qualidade, e nenhum modelo que fique abaixo dele passa para a etapa seguinte. Na cena abaixo, experimente fazer este modelo não atingir o mínimo.
- Validar dados
- Passou
- Criar atributos
- Passou
- Treinar
- Passou
- Avaliar
- Passou
- Registrar modelo
- Passou
Um pipeline de treinamento que roda sozinho sempre que chegam dados novos
Todas as etapas passaram automaticamente e o novo modelo foi registrado. Como ninguém faz nada à mão, os mesmos passos rodam na mesma ordem toda vez, e você consegue recriar exatamente este modelo depois.
Rastreamento de experimentos
Cada treinamento registra os dados, a versão do código, os hiperparâmetros e as métricas obtidas, para você poder comparar execuções.
Metadados e linhagem
Mostram, do começo ao fim, de quais dados e de quais etapas um modelo saiu.
Registro de modelos
Guarda num só lugar as versões do modelo, os resultados de avaliação e o status de aprovação (staging, produção), e permite voltar atrás.
Validação de dados
Encontra automaticamente, antes do treinamento, valores ausentes, valores fora da faixa e colunas que mudaram de formato.
Se a questão disser… → escolha isto
- “Executa automaticamente, uma após a outra, as etapas de treinamento, avaliação e implantação”Pipeline de ML (orquestração)
- “Registra e compara os hiperparâmetros e as métricas de cada execução”Rastreamento de experimentos
- “Mostra de quais dados um modelo saiu”Metadados e linhagem
- “Gerencia as versões do modelo e o status de aprovação, e faz rollback”Registro de modelos
- “Impede que um modelo abaixo do mínimo seja implantado automaticamente”Portão de qualidade na etapa de avaliação
Agora é hora de colocar o modelo registrado no serviço de verdade. E existe mais de um jeito de fazer isso.
Publicidade
03
Implantação: quando prever e como trocar de modelo
Primeiro, existem dois jeitos de entregar previsões, conforme o momento em que você as faz. A inferência em lote prevê sobre muitos dados de uma vez, num horário definido, e guarda os resultados. A inferência em tempo real (online) prevê no instante em que chega uma requisição e devolve a resposta na hora. Há também a inferência na borda (edge), em que a previsão roda direto no dispositivo.
| Tipo | Quando combina | Como é |
|---|---|---|
| Inferência em lote | Calcular toda noite o risco de cancelamento de todos os clientes | Barata e simples. Os resultados não mudam até a próxima execução |
| Inferência em tempo real | Detectar fraude no pagamento, recomendações na busca | Precisa responder rápido. O endpoint fica no ar e escala para cima e para baixo |
| Inferência na borda | A câmera do celular, máquinas de uma fábrica | Rápida e sem rede. O modelo precisa ser pequeno |
Na hora de trocar para um modelo novo, o comum é dividir o risco em vez de trocar tudo de uma vez. Na cena abaixo, experimente cada forma de lançamento.
- Requisições respondidas pelo v2
- 2 / 20
- Rollback
- Só 10% afetados; basta voltar a proporção para 0
Formas de colocar um novo modelo v2 no ar (verde = requisições que o v2 respondeu)
Só 10% das requisições vão para o v2. Você observa como ele se sai e, se estiver tudo bem, aumenta a proporção aos poucos. Se algo der errado, só alguns usuários são afetados.
Seja qual for o método, você confere com métricas reais se o modelo novo é mesmo melhor que o antigo. O teste A/B do guia de métricas de avaliação serve exatamente para isso. Você também mantém as versões anteriores no registro para poder fazer rollback a qualquer momento.
Se a questão disser… → escolha isto
- “Prevê sobre grandes volumes num horário definido”Inferência em lote
- “Prevê na hora, com baixa latência, para cada requisição”Inferência em tempo real (online), endpoint
- “Manda parte do tráfego para o modelo novo e aumenta aos poucos”Implantação canário
- “O modelo novo recebe cópias das requisições e só faz previsões; os usuários nunca veem o resultado dele”Implantação sombra (shadow)
- “Dois ambientes, tráfego trocado de uma vez, rollback imediato”Implantação azul/verde (blue/green)
Depois que o modelo está implantado, não dá para relaxar. O mundo que o modelo enxerga continua mudando.
Exclusivo Pro
Até aqui vai a parte gratuita
Os outros 5 capítulos estão disponíveis para assinantes Pro. Cada um continua com visuais em 3D e dicas de “se a questão disser…”, e no último capítulo você testa o que aprendeu.
- 04Monitoramento e desvio
- 05Retreinamento
- 06Diferença entre treinamento e produção e feature store
- 07LLMOps
- 08Escolhendo a abordagem
PasslyExam
Você já leu o conceito. Agora teste com questões de prova
O PasslyExam oferece questões práticas originais, explicações e simulados completos baseados no guia oficial de cada certificação. As explicações mostram por que a opção certa está certa e por que as opções parecidas estão erradas. Cadastre-se e pratique de graça todos os dias.
Provas que cobrem este conceito