MLOps

Disciplina que operacionaliza modelos de machine learning en producción: versionado del modelo y del dato, monitoreo de drift, re-entrenamiento automatizado, rollback, observabilidad y documentación (model cards). Es a la IA lo que DevOps es al software: lo que convierte un experimento en un sistema confiable.

¿Cuándo usar MLOps en una empresa?

Obligatorio desde el primer modelo que llegue a producción — no un lujo para después. Sin MLOps, la "deuda de IA" se acumula: nadie sabe qué modelos están corriendo, por qué decidieron X, ni cómo actualizarlos.

¿Cuándo NO conviene MLOps?

Pensar que es solo herramientas (MLflow, Weights & Biases, etc.). Las herramientas sin rituales ni ownership no funcionan. MLOps es 60% proceso y 40% tooling.