Por qué importa MLOps
En el desarrollo de software tradicional, CI/CD automatiza la compilación, prueba y despliegue de cambios de código. En machine learning, no solo hay que versionar el código, sino también los datos y los modelos, y la naturaleza no determinista del entrenamiento requiere gates de validación más complejos. MLOps es el enfoque sistemático para gestionar esta complejidad: reproducibilidad (poder recrear resultados de seis meses atrás), automatización (acelerar ciclos de experimentación) y gobernanza (registro auditable de qué modelos están en producción y quién los aprobó).
SageMaker Pipelines
SageMaker Pipelines es un servicio totalmente gestionado para definir y ejecutar flujos de trabajo ML como grafos acíclicos dirigidos (DAG). Los tipos de paso principales son: ProcessingStep (preprocesamiento y feature engineering), TrainingStep (ejecución de trabajos de entrenamiento), TuningStep (optimización de hiperparámetros), TransformStep (Batch Transform), ModelStep (creación de recursos de modelo), ConditionStep (ramificación condicional, por ejemplo, proceder solo si la precisión supera un umbral) y CallbackStep (invocar servicios externos o funciones Lambda y esperar señal de finalización).
Los parámetros de pipeline permiten inyectar valores en tiempo de ejecución, reutilizando la misma definición en dev, staging y producción. El caché de pasos evita re-ejecutar pasos con entradas idénticas, reduciendo tiempo y costo.
SageMaker Model Registry y Projects
El Model Registry es un catálogo de modelos entrenados. Los modelos se registran como versiones dentro de grupos de modelos, con tres estados de aprobación: PendingManualApproval, Approved y Rejected. El flujo de aprobación combina validación automática (ConditionStep) con revisión humana opcional. Los eventos de aprobación pueden disparar pipelines de despliegue automático vía EventBridge.
SageMaker Projects provee plantillas con mejores prácticas MLOps preconfiguradas. Al crear un proyecto se generan automáticamente repositorios de construcción y despliegue, con CodePipeline conectando SageMaker Pipelines y el Model Registry.
Integración con CI/CD y estrategias de despliegue
CodePipeline orquesta el CI/CD general conectando fuentes (CodeCommit, GitHub, ECR), builds (CodeBuild: pruebas, construcción de contenedores, ejecución de pipelines SageMaker) y despliegues (CloudFormation). Las estrategias de actualización de endpoints incluyen: blue/green (provisionar nuevo entorno completo antes de cambiar tráfico), canary (enviar porcentaje pequeño al nuevo primero) y linear (aumentar tráfico gradualmente en intervalos fijos).
!3 estrategias de despliegue de SageMaker
Step Functions, EventBridge y pruebas
Step Functions es útil cuando se necesita integrar servicios heterogéneos (Lambda, Glue, ECS, DynamoDB) con lógica de ramificación compleja. EventBridge actúa como hub para disparadores basados en eventos: reentrenamiento programado, detección de deriva de datos, llegada de nuevos datos a S3. Los gates de aprobación de modelos combinan validación automática con revisión humana (human-in-the-loop) para industrias reguladas.
Puntos clave para el examen
"Definir flujo ML como DAG, rastrear linaje de artefactos" -- SageMaker Pipelines "Versionado de modelos, estado aprobado/rechazado" -- Model Registry "Pending → Approved → despliegue automático" -- Model Registry + EventBridge + CodePipeline "Paso condicional, ramificar por umbral de métrica" -- ConditionStep "Flujo de trabajo con Lambda, Glue, ECS" -- Step Functions "Plantillas MLOps de inicio rápido" -- SageMaker Projects "Deriva de datos → reentrenamiento automático" -- Model Monitor + EventBridge "Aprobación con revisión humana" -- Human-in-the-loop "5% de tráfico al nuevo modelo primero" -- Estrategia canary