Hay un dato que siempre sorprende: más del 80% de los modelos de Machine Learning que se construyen en empresas nunca llegan a producción. Se quedan en notebooks, en servidores de prueba, en demos que nadie usa. MLOps existe para resolver exactamente eso.
MLOps es la disciplina que aplica los principios de DevOps al ciclo de vida de los modelos de Machine Learning. No es solo deployment — es todo el proceso desde el experimento hasta el monitoreo del modelo en producción semanas o meses después.
Qué es MLOps y de dónde viene
MLOps (Machine Learning Operations) surgió como respuesta al "valle de las lágrimas" del ML: data scientists que entrenan modelos excelentes pero que luego no saben cómo deployarlos, ingenieros que no entienden los modelos que tienen que poner en producción, y modelos que funcionan en local pero explotan en producción.
La idea es aplicar CI/CD (Integración y Despliegue Continuos), monitoreo, versionado y automatización al ML. Un pipeline de MLOps bien construido permite que cuando cambias un modelo o los datos de entrenamiento, todo el ciclo —desde re-entrenamiento hasta deployment— ocurra automáticamente con validaciones en cada paso.
El ciclo de vida de MLOps
1. Preparación de datos: versionar datasets, tracking de lineaje, detección de data drift. Herramientas: DVC, Delta Lake, Great Expectations.
2. Entrenamiento y experimentación: logging de experimentos, comparación de runs, versionado de modelos. Herramientas: MLflow, Weights & Biases, Neptune.
3. Validación y testing: evaluación automática de métricas, tests de comportamiento, testing de equidad y sesgos. Herramientas: Pytest, Great Expectations, Deepchecks.
4. Deployment: containerización con Docker, servir modelos con FastAPI o Triton Inference Server, CI/CD con GitHub Actions o Jenkins. Plataformas: Kubernetes, AWS SageMaker, Azure ML, Vertex AI.
5. Monitoreo: detectar model drift (el modelo se degrada con el tiempo), data drift (los datos de producción cambian), alertas de performance. Herramientas: Evidently AI, Arize, WhyLabs.
El stack de herramientas de MLOps en 2026
Las herramientas más usadas por empresas que hacen MLOps en serio: MLflow (tracking de experimentos y model registry, open-source y gratis), Kubeflow (plataforma completa de MLOps sobre Kubernetes), Apache Airflow (orquestación de pipelines), Docker + Kubernetes (containerización y deployment), y las plataformas managed de los clouds: SageMaker (AWS), Azure ML (Microsoft) y Vertex AI (Google).
Quién necesita aprender MLOps
MLOps es relevante para: ML Engineers (el perfil que más lo necesita), Data Scientists que quieren llevar su trabajo a producción, Data Engineers que gestionan los datos que alimentan los modelos, y DevOps Engineers que trabajan en equipos de AI. En Perú, el rol de ML Engineer con experiencia en MLOps tiene sueldos de S/. 10,000 - S/. 18,000/mes.
En DataPath tenemos el Bootcamp MLOps que cubre el stack completo: MLflow, Kubeflow, Docker, deployment en AWS/GCP y monitoreo de modelos en producción. Disponible también como parte de la Ruta ML Engineer.