4 min de lectura

MLOps en producción: GS Caltex pasa de una semana a pocas horas para desplegar modelos creados sin código

MLOps en producción: GS Caltex despliega modelos en horas en lugar de una semana con SageMaker Canvas e inferencia por lotes cada 30 minutos. Así lo hizo.

Ilustración conceptual de un ingeniero que crea modelos sin código que fluyen por una tubería automatizada hacia producción industrial

Desplegar un modelo de machine learning que ya funciona suele tardar más que crearlo. En GS Caltex, la energética y petroquímica surcoreana, ese cuello de botella se redujo de aproximadamente una semana a pocas horas. La clave de su MLOps en producción no fue una herramienta nueva, sino repartir el trabajo entre dos perfiles: ingenieros de proceso que construyen modelos sin escribir código e ingenieros de ML que los convierten en flujos productivos automatizados.

Según el equipo de AWS que documenta el caso, los ingenieros de proceso construyen y validan los modelos en Amazon SageMaker Canvas, una herramienta visual, apoyándose en su conocimiento de la planta. Ellos entienden las variables, los datos y si una predicción tiene sentido operativo. Los ingenieros de ML toman esos activos (el flujo de preprocesamiento creado con Data Wrangler y el modelo entrenado) y los integran en SageMaker Pipelines. El paso de uno a otro seguía exigiendo trabajo manual: definir rutas de datos, configurar el modelo y conectar los trabajos de preprocesamiento e inferencia. GS Caltex automatizó ese traspaso y reutiliza lo validado en Canvas. Ejecuta inferencia por lotes cada 30 minutos, lo que reduce la necesidad de mantener endpoints encendidos todo el tiempo. La empresa afirma que esto ha bajado de forma significativa sus costos de inferencia, aunque no publica una cifra.

Cómo funciona este flujo de MLOps en producción

La arquitectura tiene dos caminos. El primero ocurre solo cuando hay una nueva versión del modelo: los ingenieros de ML revisan los formatos de datos y los resultados de predicción, aprueban el modelo en SageMaker Model Registry y lo despliegan. El segundo se repite todo el día: Amazon EventBridge dispara cada ejecución programada, Pipelines toma los datos de Amazon S3, aplica el preprocesamiento, corre Batch Transform y guarda los resultados de nuevo en S3. El estado de cada paso y los registros de CloudWatch permiten monitorear todo.

El detalle importante es qué se reutiliza: la lógica de transformación y el modelo que el ingeniero de proceso ya validó. El equipo de ML solo configura rutas de entrada y salida, el orden de ejecución y el código que une aprobación y programación. Si tu empresa ya compara costos de servir modelos, el enfoque recuerda a lo que hizo AssemblyAI al recortar 70% el costo de inferencia con instancias Spot: elegir el patrón de cómputo adecuado pesa tanto como el modelo.

Lecciones de MLOps para tu organización: qué aplicar y qué vigilar

El caso es útil porque deja una receta clara y, sobre todo, una lista de trampas técnicas que suelen frenar estos proyectos. Esto es lo que puedes llevarte:

  • Separa roles según competencias. Quien conoce el proceso valida el modelo; quien conoce la infraestructura lo opera. Es la misma lógica detrás de la IA física en plantas industriales de CrossnoKaye, donde el conocimiento del dominio es parte de la solución.
  • Pregúntate si de verdad necesitas tiempo real. Si tu decisión tolera 30 minutos de retraso, la inferencia por lotes evita pagar por endpoints permanentes. Es el mismo razonamiento de costos que llevó a Walmart a bajar de más de $100.000 a $10.000 mensuales su inferencia.
  • Reutiliza, no reescribas. Reconstruir el preprocesamiento a mano introduce discrepancias. Compara columnas, tipos de datos y valores transformados entre Canvas y producción con la misma entrada.
  • Fija la versión del contenedor. Usa la imagen del trabajo exportado y bloquea su versión para reproducir las transformaciones validadas. Si cambias de región de AWS, comprueba que esa imagen exista allí.
  • No reentrenes transformaciones en cada lote. Los parámetros aprendidos en el entrenamiento, como escalado o codificación, deben conservarse; no se recalculan con cada tanda de inferencia.
  • Cuidado con las rutas ocultas. El archivo .flow referencia una ubicación de S3; subir datos a otra carpeta no actualiza esa referencia. Evita ejecuciones solapadas que compartan la misma entrada, o añade un paso que actualice la URI en una copia del archivo.
  • Contempla la columna objetivo. Un flujo creado con datos de entrenamiento puede esperar la variable a predecir, que en inferencia no existe. Hay que adaptarlo antes de producción.
  • Cuándo tiene sentido este enfoque

    El modelo encaja si tienes expertos de negocio o de proceso capaces de construir modelos con herramientas sin código, un equipo de ML pequeño que no puede ser cuello de botella y decisiones que toleran predicciones periódicas. Conviene empezar por un modelo, medir el tiempo entre «validado» y «en producción», y automatizar ese tramo antes de escalar. Ese tiempo, que en GS Caltex pasó de una semana a horas, es un indicador sencillo y honesto de madurez.

    Hay que tomar con cautela dos cosas: los ahorros de costos son declarados por la propia compañía y sin cifra, y el artículo original es la primera parte de una serie técnica, de modo que faltan detalles de resultados a largo plazo. Aun así, el patrón es replicable y barato de probar.

    La pregunta para tu equipo: ¿cuántos modelos validados esperan hoy en una cola de despliegue? Si la respuesta es «varios», tu MLOps en producción probablemente no necesita más modelos, sino un traspaso automatizado entre quienes los crean y quienes los operan.

    Preguntas frecuentes

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

    GS Caltex informa que 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 permanentemente. La empresa asegura que esto bajó de forma significativa sus costos de inferencia, aunque no publica una cifra concreta.

    ¿Cómo conecta GS Caltex Amazon SageMaker Canvas con SageMaker Pipelines?

    Los ingenieros de proceso construyen y validan el modelo y el flujo de preprocesamiento en SageMaker Canvas. Los ingenieros de ML automatizan el traspaso: aprueban el modelo en Model Registry y lo integran en SageMaker Pipelines, donde EventBridge dispara cada ejecución, se preprocesan los datos y Batch Transform genera las predicciones.

    ¿Qué errores hay que evitar al llevar un modelo de SageMaker Canvas a producción?

    Hay que verificar que el archivo .flow apunte a la ruta correcta de S3, fijar la versión del contenedor, usar el nodo de salida exacto y no reentrenar transformaciones aprendidas en cada lote. También conviene evitar ejecuciones solapadas sobre la misma entrada y adaptar el flujo a la ausencia de la columna objetivo en inferencia.