Versionamento em ML

É a prática de registrar cada versão de dataset, modelo, prompt e código de forma que qualquer resultado possa ser reproduzido: qual modelo, treinado com quais dados, com qual configuração, avaliado com qual conjunto, produziu determinada saída. O objetivo é a reprodutibilidade. O rastreamento de experimentos é a prática complementar, que registra o que foi tentado e com que resultado. É a extensão, para IA, do controle de versão que a engenharia de software usa há décadas com o código.

Em Produto, a pergunta “qual versão está em produção?” precisa ter resposta imediata. Sem versionamento, o rollback é impossível e a auditoria é ficção. Vale exigir que toda promoção para produção referencie versões explícitas de modelo, prompt e dados. Um incidente investigado meses depois precisa poder ser reproduzido exatamente como aconteceu. Por exemplo, um incidente em 12 de março: o registro mostra prompt v2.3, modelo X versão janeiro/2025 e índice de 10 de março, e o cenário é reproduzível em ambiente de teste.

Use versionamento para tudo que muda o comportamento do sistema: modelo, prompt, base de RAG, configuração de guardrails, código. Use registro de modelos como a ferramenta específica para versionar modelos. Use rastreamento de experimentos para o histórico do que foi tentado durante o desenvolvimento. Uma forma simples de diferenciar: versionamento responde “o que está no ar”; rastreamento de experimentos responde “o que já tentamos”.

Extensão do controle de versão de código (Git) para dados e modelos: DVC (2017), MLflow (2018).

MLflow documentation; DVC documentation; Google Cloud, MLOps