MLOps
The practices for getting machine learning models into production and keeping them working.
MLOps aplica el pensamiento DevOps al ML, con problemas adicionales: versionado de datos, reproducibilidad del entrenamiento, monitoreo de deriva y pipelines de reentrenamiento. La idea que encierra es que un modelo en un notebook es más o menos el 10% del trabajo.
En la práctica: Reentrenamiento automático disparado cuando la exactitud monitoreada cae por debajo de un umbral.