Contratar um engenheiro de MLOps

Um engenheiro de MLOps prepara o percurso de cada modelo, desde a experimentação até à produção. Coloca o código no Git, regista as execuções e as versões dos modelos num registry, cria CI/CD com ambientes separados para desenvolvimento, teste e produção e configura a monitorização e o novo treino dos modelos.

Na nossa página sobre cedência de profissionais, o engenheiro de MLOps consta das funções de data engineering. Se precisar de um especialista em MLOps para uma plataforma específica, propomos alguém que a conheça.

Um engenheiro de machine learning coloca um modelo em produção: transforma o trabalho feito num notebook em código testado, numa pipeline de treino e num endpoint. Um engenheiro de MLOps cria a infraestrutura partilhada por todos os modelos: um registry, templates de CI/CD, monitorização e regras para voltar a treinar os modelos.

Em equipas pequenas, a mesma pessoa desempenha muitas vezes as duas funções. Se a prioridade for colocar um único modelo em produção, leia sobre contratar um engenheiro de machine learning.

A Google descreve três níveis. No nível 0, tudo é feito manualmente: o profissional de data science entrega um modelo treinado aos engenheiros, raramente surgem novas versões e as previsões não são monitorizadas. No nível 1, a pipeline de treino é automatizada e o modelo volta a ser treinado com novos dados. No nível 2, o CI/CD também testa e implementa a própria pipeline.

Se a sua equipa estiver no nível 0 e tiver mais do que um modelo em funcionamento, passar para o nível 1 é trabalho para um engenheiro de MLOps.

Monitoriza os dados de entrada para detetar data drift, as previsões para detetar prediction drift, a qualidade dos dados (valores em falta, tipos incorretos e valores fora do intervalo) e, quando os resultados reais estiverem disponíveis, o próprio desempenho do modelo. É definido um limiar para cada indicador, que aciona um alerta.

A Microsoft recomenda definir os limiares em conjunto com o profissional de data science que conhece o modelo, para evitar alertas em excesso. No Azure Machine Learning, um alerta pode iniciar uma tarefa de novo treino através do Event Grid.

Na maioria dos casos, a Databricks recomenda promover o código: o código de treino passa pelo ambiente de teste antes de chegar à produção, onde treina o modelo, porque já foi revisto e testado. Promover um modelo treinado faz sentido quando o treino é muito dispendioso ou difícil de repetir.

No Unity Catalog, atribui-se um alias, como champion, à versão em produção. Os processos batch e os endpoints seguem esse alias, e a lineage mostra em que tabelas o modelo foi treinado.

Um freelancer contratado diretamente tem de trabalhar de forma independente também na prática. Desde 1 de janeiro de 2025, a autoridade tributária neerlandesa voltou a fiscalizar plenamente este requisito. Quem trabalha nas tarefas da sua equipa sob a sua direção pode facilmente deixar de cumprir esse critério.

Os nossos engenheiros de MLOps são funcionários da Data Science Lab e são cedidos à sua organização. Peça aos recursos humanos, ao departamento de compras ou a um consultor que avaliem como esta opção se enquadra na sua política de contratação.

Para os sistemas de IA de risco elevado, o Regulamento da IA exige, entre outras coisas, registos que permitam rastrear os resultados, supervisão humana e robustez. Após a entrada em funcionamento, o fornecedor tem de dispor de um sistema de monitorização. Segundo a Comissão Europeia, estas regras aplicam-se à maioria das aplicações de risco elevado a partir de 2 de dezembro de 2027.

Um processo de MLOps que regista execuções e versões e monitoriza os modelos ajuda a reunir essas provas. Um jurista ou o seu departamento de conformidade pode determinar se um modelo está sujeito a essas regras. Saiba mais sobre governação da IA.

Se ainda não houver nenhum modelo em funcionamento, não há nada para implementar ou monitorizar. Comece por data science. Se houver um único modelo para colocar em produção, um engenheiro de machine learning é mais adequado. Se o problema estiver nos próprios dados, trate primeiro da fundação de dados.

Se quiser que todo o processo seja entregue como solução, em vez de apenas reforçar a equipa, MLOps como projeto é mais adequado.