Registro de modelos

Model Registry

Componente de MLOps

Intermediário

Categoria: LLMs, tokens e adaptaçãoSubcategoria: Distribuição e escolha

O que significa

É um catálogo central que versiona os modelos de uma organização, registrando quem treinou cada um, com quais dados, quais avaliações passou, quando foi aprovado e em que ambiente está rodando. Em LLMOps, o registro se estende a prompts, adaptações (como LoRA) e configurações. Ele permite promover uma versão para produção, voltar à anterior quando algo dá errado e responder, a qualquer momento, qual versão estava no ar em determinada data. Funciona como o controle de versão do código, aplicado aos artefatos de IA.

Como usar na prática de produto

Em Produto, sem um registro de modelos ninguém sabe qual versão está em produção nem por que ela foi aprovada. Isso vira problema em incidentes, em auditorias e em mudanças de time. O que Produto deve exigir é que toda capacidade em produção tenha uma versão registrada, uma avaliação associada e um dono nomeado. É pré-requisito para fazer rollback com segurança e para responder a perguntas de auditoria. Por exemplo, se uma auditoria pergunta qual modelo decidiu o bloqueio de um cliente em março, o registro responde em minutos. Sem ele, a resposta pode levar semanas ou nunca chegar.

Quando usar este termo ou outro

Use registro de modelos para versionar e rastrear o artefato modelo. Use versionamento de prompt para o artefato prompt, que muda com mais frequência. Use feature store para versionar as variáveis que alimentam modelos clássicos. Uma forma simples de diferenciar: os três juntos formam a rastreabilidade completa de uma capacidade: qual modelo, com qual prompt, sobre quais dados.

Exemplos de aplicação

Auditoria: identificar rapidamente qual versão do modelo tomou uma decisão em determinada data.
Rollback: voltar à versão anterior quando uma atualização degrada a qualidade.
Governança: garantir que só versões com avaliação aprovada cheguem à produção.
Prompts: versionar system prompts junto com o modelo ao qual se aplicam.
Transição de time: preservar o histórico de decisões quando as pessoas mudam.

Origem do termo

Componente das plataformas de MLOps (MLflow, 2018; SageMaker, Vertex AI); em LLMOps, estende-se a prompts e configurações.

Fonte técnica

MLflow Model Registry documentation; Google Cloud, MLOps: Continuous delivery and automation pipelines in ML