El ModelOps (operacionalización de modelos) es la disciplina que gestiona el ciclo de vida completo de los modelos de inteligencia artificial y aprendizaje automático en entornos productivos, desde su despliegue hasta su retirada. Va más allá del desarrollo del modelo: se centra en gobernar, monitorizar, versionar y reentrenar los modelos de forma sistemática y controlada una vez están en funcionamiento.
Su importancia radica en que un modelo desplegado no es un activo estático: su rendimiento se degrada con el tiempo por la deriva de datos (cambios en los datos de entrada) o la deriva de concepto (cambios en la relación que el modelo aprendió). El ModelOps aporta los procesos para detectar y corregir estos problemas, además de garantizar trazabilidad, cumplimiento normativo y auditoría.
En la práctica, abarca tareas como:
- Monitorización continua de métricas de precisión y latencia.
- Reentrenamiento automatizado cuando el rendimiento cae.
- Control de versiones y rollback a modelos previos.
Conviene distinguirlo del MLOps: el ModelOps adopta una perspectiva más amplia de gobernanza, aplicable también a modelos analíticos o basados en reglas, no solo de aprendizaje automático.