4 min de lectura

MLOps en producción: GS Caltex despliega modelos en horas, no en una semana, con SageMaker Canvas

MLOps en producción: GS Caltex pasa de una semana a pocas horas para desplegar modelos con SageMaker Canvas y Pipelines, y reduce costos de inferencia.

Ilustración conceptual de un modelo no-code que fluye hacia una tubería automatizada de MLOps en un entorno industrial

Desplegar un modelo de machine learning en una semana ya no es aceptable cuando el modelo lo construyó alguien que sabe más del proceso que de código. GS Caltex, la compañía surcoreana de energía y química, lo resolvió y hoy sus ingenieros de ML llevan un modelo a producción en pocas horas, frente a cerca de una semana antes. Esta es una lección de MLOps en producción que va más allá de la herramienta: es una forma de repartir el trabajo entre quienes entienden el negocio y quienes entienden la infraestructura.

Cómo GS Caltex conectó Amazon SageMaker Canvas con SageMaker Pipelines

La empresa dividió el trabajo según las habilidades de cada equipo. Los ingenieros de proceso construyen y validan modelos en Amazon SageMaker Canvas, una herramienta sin código, con su conocimiento de las variables y los datos de planta. Los ingenieros de ML configuran SageMaker Pipelines para el despliegue y la inferencia programada.

El problema estaba en el traspaso. Pasar los activos de Canvas a Pipelines exigía trabajo de integración: definir rutas de datos para producción, aportar la configuración del modelo y conectar los trabajos de preprocesamiento e inferencia. GS Caltex automatizó ese traspaso y reutilizó lo que ya había creado Canvas: el flujo de preparación de datos hecho con Data Wrangler y el modelo validado, registrado en SageMaker Model Registry.

En producción, Amazon EventBridge lanza una ejecución cada 30 minutos. Pipelines toma los datos de Amazon S3, aplica el preprocesamiento, ejecuta inferencia por lotes con SageMaker Batch Transform y guarda los resultados en S3. Los ingenieros monitorizan cada paso con CloudWatch. Como no hay endpoints encendidos de forma permanente, la compañía asegura que el costo de inferencia bajó de forma significativa, aunque no publica la cifra exacta.

El caso aparece en la primera parte de una serie técnica. La implementación de referencia, disponible en GitHub, usa un modelo de clasificación de préstamos como ejemplo, no el modelo industrial de GS Caltex.

Lecciones de MLOps en producción para tu organización

El hallazgo central es organizativo: quien valida el modelo no tiene por qué ser quien lo opera. Para que ese reparto funcione, el documento técnico de AWS deja varias advertencias que sirven a cualquier empresa:

  • Revisa las rutas de datos ocultas. El flujo de preprocesamiento guarda una referencia a la ubicación de los datos de origen. Subir datos a otra carpeta no actualiza esa referencia, y el pipeline puede procesar información equivocada sin avisar.
  • Fija la versión del contenedor. Usa la imagen del trabajo de exportación original y bloquea su versión para reproducir las transformaciones validadas.
  • No recalcules lo aprendido en entrenamiento. Los parámetros de escalado y codificación deben conservarse. Reajustarlos con cada lote de inferencia altera los resultados.
  • Valida con el mismo dato. Compara columnas, tipos y valores transformados entre Canvas y el entorno de producción antes de aprobar.
  • Evita ejecuciones solapadas. Si dos ejecuciones comparten la misma ruta de entrada, se pisan. Una solución es crear una copia del archivo de flujo con una ruta distinta por ejecución.
  • Cuida la columna objetivo. Un flujo creado con datos de entrenamiento puede esperar la columna de resultado conocido, que no existe al predecir. Hay que adaptar ese paso.
  • Cuándo tiene sentido este enfoque

    El modelo funciona si tus predicciones no necesitan respuesta en milisegundos. Una cadencia de 30 minutos sirve para monitorizar procesos industriales, riesgo o demanda sin pagar infraestructura encendida las 24 horas. Si tu caso exige latencia mínima, la ecuación cambia. Otras compañías han optado por optimizar el servicio continuo: AssemblyAI recortó 70% el costo de transcribir voz con instancias Spot, una vía distinta para el mismo problema de gasto en inferencia.

    También conviene comparar con otros usos industriales. CrossnoKaye sube hasta 17% su producción con IA física en plantas, y Siemens reduce 40% la calibración de inspección. En ambos casos el valor depende de que los modelos salgan del laboratorio, que es lo que busca GS Caltex.

    Primeros pasos

    1. Elige un modelo ya validado por el equipo de negocio o de proceso.
    2. Define quién aprueba el modelo y quién lo opera, con un registro de versiones.
    3. Automatiza el traspaso antes de multiplicar casos de uso, porque cada traspaso manual es una semana perdida.
    4. Programa la inferencia por lotes y mide cuánto cuesta frente a un endpoint permanente.

    La pregunta para tu equipo: ¿cuántos modelos buenos tienes esperando en una carpeta porque nadie sabe cómo ponerlos en marcha? Si la respuesta es más de uno, el MLOps en producción deja de ser un lujo técnico y se convierte en un cuello de botella de negocio.

    Preguntas frecuentes

    ¿Qué resultados obtuvo GS Caltex con su MLOps en producción?

    Según la compañía, sus ingenieros de ML ahora despliegan modelos en pocas horas, frente a cerca de una semana antes. Además ejecuta inferencia por lotes cada 30 minutos, lo que reduce la necesidad de endpoints encendidos todo el tiempo y, según GS Caltex, bajó de forma significativa sus costos de inferencia.

    ¿Qué herramientas usa GS Caltex para automatizar el paso de SageMaker Canvas a producción?

    Usa SageMaker Canvas con Data Wrangler para preparar datos y construir modelos, SageMaker Model Registry para versiones y aprobación, SageMaker Pipelines para orquestar, Batch Transform para la inferencia por lotes, Amazon S3 para los datos, EventBridge para programar las ejecuciones y CloudWatch para monitorizar.

    ¿Es mejor la inferencia por lotes o un endpoint permanente?

    Depende de la latencia que necesites. Si basta con predicciones cada cierto tiempo, como los 30 minutos de GS Caltex, la inferencia por lotes evita pagar infraestructura encendida de forma continua. Si el caso exige respuestas inmediatas, un endpoint permanente sigue siendo la opción más adecuada.