Machine Learning en el Edge. ¿Cómo desplegarlo con éxito y qué es MLOps?

21 de junio de 2022, by Jaime Vélez

A medida que la industria se adentra en su transformación digital e integra un modelo Data-Driven, es más palpable su necesidad de implementar la Inteligencia Artificial y el Machine Learning en su infraestructura para conseguir ser más eficiente y adaptarse a las nuevas necesidades del mercado.

MLOps: Agilidad cómo base del crecimiento del Machine Learning

Todavía estamos en los albores del Machine Learning y la Inteligencia Artificial, pero a medida que vislumbramos nuevos casos de uso y los desarrollamos en nuestro entorno, nos damos cuenta que el éxito en el futuro depende de una correcta implementación hoy.  

Un buen ejemplo de ello son los despliegues Edge que se están produciendo en la mayoría de verticales industriales. Con nodos cada vez más distribuidos, que ya permiten albergar Inteligencia Artificial en algoritmos de entrenamiento cada vez más complejos, es cada día más necesaria la capacidad de mantener el ciclo de vida de estos modelos entrenados, así como los dispositivos que los ejecutan. Este será un punto clave para el futuro de la industria. 

En este sentido, prosperarán aquellos proyectos y empresas que apliquen la filosofía de DevOps al desarrollo, despliegue y mantenimiento de los algoritmos de IA. Esta manera de trabajar se denomina MLOps, combinación de Machine Learning con DevOps. ¿En qué consiste? Básicamente se trata de conseguir reducir los tiempos de desarrollo, pruebas e implantación de los modelos de IA en el Edge a través de la integración continua entre equipos y entornos de desarrollo, pruebas y operaciones.

La suite de productos de Barbara, y en particular nuestros productos Control Room y Edge Orchestrator, están orientados especialmente a habilitar la filosofía MLOps.

Esta adopción se enfrenta a varios desafíos:

– Los consejos de dirección no siempre ven el Machine Learning como punto estratégico de la compañía y perciben este tipo de proyecto cómo algo difícil de medir y gestionar.

– Las iniciativas de Machine Learning trabajan muchas veces aisladas las unas de las otras, lo que dificulta la integración de procesos entre los distintos equipos de trabajo.

– Para conseguir la eficiencia, el entrenamiento de los modelos requiere de grandes cantidades de datos de calidad, lo que genera gastos importantes en la accesibilidad, preparación y gestión de los mismos.

– La ciencia de datos implica un arduo trabajo de prueba y error, lo que hace difícil planificar en tiempo, un proyecto.

Para contrarrestar todos estos obstáculos: la implementación de Machine Learning en la industria, necesita de un viraje cultural y requiere de un entorno tecnológico en el que las personas, los procesos y las plataformas trabajen de la forma ágil y con la capacidad casi inmediata de respuesta que las industrias necesitan a día de hoy. El enfoque que creemos correcto desde Barbara, es el que se denomina MLOps

MLOps se basa en los principios y prácticas DevOps. Cimentadas sobre los fundamentos de la eficiencia, la integración, la entrega y el despliegue continuos, DevOps responde a las necesidades de la empresa ágil para poder ofrecer innovación de forma escalada. 

MLOps trata de romper con las prácticas lentas y lineales, para transformar los procesos de desarrollo en una rápida iteración continua, permitiendo a los desarrolladores crear y desplegar soluciones innovadoras constantemente. MLOps tiene como base las siguientes premisas heredadas del DevOps: 

  • El usuario cómo centro de todo.
  • Conexión de los datos y servicios: El éxito depende de lo bien que las plataformas de datos y los servicios existentes o nuevos puedan integrarse, adaptándose a las circunstancias.
  • Automatización: Para garantizar una entrega constante, consistente y eficiente del valor del negocio.
  • Gestionar los recursos de infraestructura: Las aplicaciones se desplegarán en un entorno flexible de infraestructura y servicios a nivel de plataforma.

MLOps aplica estos principios, permitiendo la entrega de innovación basada en ML a escala para dar lugar a:

  • Un tiempo de despliegue a producción más rápido de las soluciones basadas en ML.
  • Un ritmo de experimentación más rápido, que impulsa la innovación.
  • Garantía de calidad, fiabilidad y ética IA.

En resumen, MLOps permite a los equipos de ciencia de datos e IT colaborar y aumentar el ritmo de desarrollo e implementación de modelos mediante la supervisión, validación y gobernanza de modelos de aprendizaje automático.

La Plataforma Barbara como facilitador de MLOps

En este proceso liderado por científicos de datos, la Plataforma Edge Industrial Cibersegura de Barbara les empodera en el desarrollo de esta metodología con funcionalidades relacionadas con MLOps como el Edge Orchestrator de Barbara que permiten enviar, arrancar, monitorizar, parar, o actualizar aplicaciones y modelos a miles de Nodos Edge distribuidos.

Gracias a Barbara, pueden colaborar y aumentar el ritmo de desarrollo y la implementación de modelos a través de la supervisión, validación y gobernanza de los modelos de Machine Learning.

Dependiendo del volumen de despliegue, puede ser interesante hacer “roll-outs” progresivos por localizaciones hasta cubrir todo el territorio. En este punto y una vez las aplicaciones distribuidas estén controlando el proceso con los modelos entrenados, habremos alcanzado el máximo potencial del Edge Computing y podremos contrastar las mejoras obtenidas con las expectativas definidas en la primera fase del proceso.

La Plataforma Barbara facilita la implementación del modelo MLOps, permitiendo: 

  • Aumentar la productividad y mejorar las operaciones, reduciendo las variaciones en iteraciones de modelo para escenarios de nivel industrial, mediante modelos reproducibles y combinarlos para crear modelos que se pueden volver a entrenar de forma automática para dispositivos IoT Edge.
  • Escalar automáticamente e implementar aplicaciones sin código, automatizando los procesos de compilación e implementación de modelos de Machine Learning para dispositivos perimetrales. 
  • Implementar fácilmente y rápidamente modelos muy precisos y confiables en cualquier lugar, empaquetando modelos rápidamente mediante Dockers y lanzándolos de forma controlada a producción. 
  • Administrar de forma eficaz todo el ciclo de vida del aprendizaje automático, beneficiándose de la interoperabilidad de la plataforma…

Cada vez más industrias utilizan el aprendizaje automático para generar conocimientos predictivos e impulsar los resultados empresariales de la mano de la Plataforma Barbara, por su funcionalidad, su fácil implementación y su capacidad de escalado. 

La implementación de modelos de Machine Learning en el Edge presenta algunos retos que Barbara también ayuda a resolver:

  • Los modelos de Machine Learning de IoT cambian rápidamente. Por lo tanto, necesitan un reentrenamiento más frecuente y automático, nuestro apartado Barbara Edge Orchestrator permite descargar algoritmos nuevos en el Nodo Edge o actualizar modelos ya existentes a versiones más modernas. 
  • Los modelos de Machine Learning de IoT dependen normalmente de una gran variedad de dispositivos, con distintas tecnologías. Nuestra amplia librería de conectores permite conectar los Nodos Edge con cualquier sensor, actuador, PLC o equipo industrial para el intercambio de información y comandos.
  • Es posible que en muchas ocasiones las soluciones de IoT Edge se tengan que ejecutar en diferentes entornos de conexión; por tanto, es necesario permitir diferentes estándares de conectividad. Barbara OS puede trabajar con la red que se ajusta mejor a tus necesidades de cobertura, consumo de batería y ancho de banda. Barbara OS ofrece conectividad a través de tecnologías de corto alcance como WiFi o Zigbee y estándares de largo alcance como 5G. También se puede integrar con redes de tipo LPWAN como LoRaWan 

Con la ayuda de Barbara, las industrias son capaces de solventar estos problemas y pueden experimentar un ahorro considerable en costes de mantenimiento y producción, mejorar procesos productivos, así como aumentar la seguridad del área de trabajo y su impacto medioambiental.

La combinación de Inteligencia Artificial y Edge Computing, es ya considerada como una de las tecnologías habilitadoras más relevantes en la transformación digital del tejido industrial. 

Inteligencia Artificial

McKinsey ha calculado que el 51% de las compañías que utilizan Inteligencia Artificial en sus operaciones han visto reducidos sus costes de operación, en uno de cada diez casos en más de un 20%. 

De acuerdo a Gartner, en 2025 el 75% de los datos se computarán y procesarán en el Edge. Para ser capaz de gobernar este nuevo modelo de inteligencia distribuida es necesario contar con una plataforma Edge basada en la metodología MLOps, como la Plataforma Barbara, que permite: 

1. Conectar, analizar y gestionar datos provenientes de cualquier activo industrial e integrarlos con la lógica de negocio remota.

2. Desarrollar, desplegar, depurar, operar y mantener aplicaciones y algoritmos de edge computing.

3. Proteger los equipos y datos con mecanismos de ciberseguridad diseñados de acuerdo con estándares de la industria como el IEC-62443.

Puedes obtener más información sobre cómo usar MLOps y Barbara para acelerar el desarrollo y la implementación de modelos de aprendizaje automático y reducir así el tiempo de obtención de valor, a través de una demo personalizada.

Un acceso más rápido a la Inteligencia Artificial y a los conocimientos de aprendizaje automático es fundamental para el éxito de tu compañía. 

Conclusión.

Como hemos visto, MLOps es una disciplina esencial para una organización ganadora, que pretenda mantener su relevancia a lo largo de la próxima década. La competitividad de las industrias en el futuro se definirá por el Machine Learning y los MLOps y el éxito impulsado por estos no llegará a las compañías que mantengan el statu quo. 

Las empresas que permanezcan en un nivel inferior se encontrarán en una desventaja significativa con respecto a las que estén en condiciones de ampliar sus esfuerzos de ML para ofrecer una ventaja empresarial real.

La importancia de la agilidad en el desarrollo tecnológico, lo es más si cabe en las decisiones de negocio. Los presupuestos rara vez surgen específicamente para mejorar la madurez de los procesos. El líder tecnológico de la empresa está en una posición privilegiada para tomar la iniciativa y crear proyectos que utilicen el aprendizaje automático cómo catalizador de la compañía.

Sobre Barbara IoT

Barbara es la Plataforma Edge Industrial Cibersegura diseñada para gobernar la inteligencia distribuida.  Ayudamos a las empresas industriales en su proceso de digitalización, conectando equipos industriales a Internet y habilitando la Computación en el Edge de manera segura.

Hemos desarrollado la plataforma tecnológica que permite crear, desplegar y ejecutar algoritmos de Machine Learning y de Inteligencia Artificial en el Edge de manera ágil y segura, para sectores con activos críticos dispersos. 

Además, recientemente hemos sido nombrados una de las 100 startups españolas que liderarán el futuro, según expertos del Venture Capital.Suscríbete a nuestra newsletter y contacta con nosotros en nuestro correo, web o redes sociales.

Habla con nuestros expertos si quieres que estudiemos tu caso de uso