MLOps

É o conjunto de práticas para levar modelos de Machine Learning à produção e mantê-los funcionando ao longo do tempo: versionar dados e modelos, automatizar treinamento e implantação, monitorar desempenho e drift, e retreinar quando necessário. Nasce da constatação de que o modelo é a menor parte de um sistema de ML. O resto, pipelines, dados, infraestrutura, monitoramento, é onde a maior parte do trabalho e da dívida técnica se acumula. É a adaptação, para Machine Learning, das práticas de DevOps que a engenharia de software já usa.

Em Produto, sem MLOps, todo modelo em produção é um projeto que precisa ser refeito quando a pessoa que o criou sai da empresa. O conhecimento fica na cabeça de alguém, e não no sistema. O mínimo que o time de Produto deve exigir: modelo versionado, avaliação registrada, monitoramento de drift e um processo de retreinamento com dono definido. Isso é o que garante que a capacidade se sustenta. Por exemplo, um modelo de risco retreinado mensalmente por pipeline automático, com avaliação de regressão e aprovação antes de ser promovido a produção.

Use MLOps para modelos treinados internamente, com dados próprios. Use LLMOps para produtos construídos sobre modelos de terceiros, em que os artefatos centrais são prompts, contexto e avaliações. As duas disciplinas convergem em observabilidade e avaliação, e muitas organizações praticam ambas. Uma forma simples de diferenciar: MLOps cuida do modelo que você treina; LLMOps cuida do produto que você constrói sobre o modelo de outro.

Adaptação do DevOps a ML; o termo se consolidou por volta de 2018 e o paper Hidden Technical Debt in ML Systems (Sculley et al., Google, 2015) é sua motivação canônica.

Sculley et al., Hidden Technical Debt in Machine Learning Systems (2015); Google Cloud, MLOps: Continuous delivery and automation pipelines in ML