Estimada María Paula, estoy de acuerdo contigo, pero podría complementar con un aporte adicional al análisis presentado sobre DevOps la evolución en ciencia de datos, donde la gestión de modelos, datos y experimentos introduce nuevos retos técnicos. En estos contextos ha surgido el concepto de MLOps, que extiende los principios de DevOps para gestionar el ciclo de vida de modelos de aprendizaje automático, incluyendo entrenamiento, validación, despliegue y monitoreo continuo, este enfoque permite aplicar los mismos principios de automatización, integración y colaboración a proyectos donde los datos cambian constantemente y los modelos deben actualizarse de manera frecuente.
Un ejemplo, es en organizaciones donde se desarrollan sistemas de analítica avanzada o predicción, según investigaciones realizadas es común utilizar repositorios de código en GitHub o Git para versionar no solo el código, sino también los experimentos de modelos y configuraciones de entrenamiento. De esta manera, los científicos de datos pueden reproducir resultados y colaborar con ingenieros de software de forma más eficiente.
Otro ejemplo es que en las empresas empresas de comercio electrónico o servicios financieros que utilizan modelos predictivos para recomendar productos o detectar fraudes. En estos casos, los modelos se empaquetan en contenedores mediante Docker, lo que garantiza que funcionen de forma consistente en diferentes entornos.
Desde el punto de vista cultural, diversos estudios señalan que uno de los factores críticos para el éxito de DevOps es la confianza entre equipos y la resistencia al cambio. Cuando las organizaciones fomentan equipos multidisciplinarios compuestos por desarrolladores, científicos de datos, ingenieros de datos y especialistas en operaciones se mejora la calidad de, además el uso de métricas comunes, como tiempo de despliegue o tasa de fallos en producción, ayuda a alinear los objetivos técnicos con los resultados del negocio.
Referencia APA
Kim, G., Humble, J., Debois, P., & Willis, J. (2016). The DevOps handbook: How to create world-class agility, reliability, and security in technology organizations. IT Revolution Press.
Un ejemplo, es en organizaciones donde se desarrollan sistemas de analítica avanzada o predicción, según investigaciones realizadas es común utilizar repositorios de código en GitHub o Git para versionar no solo el código, sino también los experimentos de modelos y configuraciones de entrenamiento. De esta manera, los científicos de datos pueden reproducir resultados y colaborar con ingenieros de software de forma más eficiente.
Otro ejemplo es que en las empresas empresas de comercio electrónico o servicios financieros que utilizan modelos predictivos para recomendar productos o detectar fraudes. En estos casos, los modelos se empaquetan en contenedores mediante Docker, lo que garantiza que funcionen de forma consistente en diferentes entornos.
Desde el punto de vista cultural, diversos estudios señalan que uno de los factores críticos para el éxito de DevOps es la confianza entre equipos y la resistencia al cambio. Cuando las organizaciones fomentan equipos multidisciplinarios compuestos por desarrolladores, científicos de datos, ingenieros de datos y especialistas en operaciones se mejora la calidad de, además el uso de métricas comunes, como tiempo de despliegue o tasa de fallos en producción, ayuda a alinear los objetivos técnicos con los resultados del negocio.
Referencia APA
Kim, G., Humble, J., Debois, P., & Willis, J. (2016). The DevOps handbook: How to create world-class agility, reliability, and security in technology organizations. IT Revolution Press.