Excerpt: Un puente entre MLOps y DevOps con OpenShift AI: descubre cómo RHOAI acelera la colaboración entre data scientists e ingenieros con workspaces GPU preconfigurados, CI/CD nativo y despliegue de LLM en tiempo real.

Un puente entre MLOps y DevOps con OpenShift AI

Un puente entre MLOps y DevOps con OpenShift AI se construye cuando los equipos de data science y de ingeniería trabajan de forma armónica en una única plataforma. En esta charla de la X-Ops Conference aprenderás paso a paso cómo Red Hat OpenShift AI (RHOAI) elimina la fricción tradicional entre ambos mundos, permitiendo:

• Workspaces preconfigurados de ML/IA
• Pipelines CI/CD nativos para modelos
• Model Serving y scaling automático
• Monitoreo y gobernanza en tiempo real
• Demo práctica de entrenamiento y despliegue de un LLM

¿Por qué necesitamos un puente entre MLOps y DevOps?

Hasta hace poco, los científicos de datos y los ingenieros de software trabajaban en silos:

• Data scientists ajustan hiperparámetros y crean notebooks centrales.
• Ingenieros de DevOps gestionan infraestructuras, despliegan contenedores y supervisan entornos de producción.

Esta separación genera cuellos de botella: los modelos tardan en pasar de Jupyter a un contenedor Docker listo para producción, y las operaciones de infraestructura desconocen los requisitos de GPU y librerías específicas de ML.

¿Qué aporta Red Hat OpenShift AI?

• 
  Workspaces colaborativos: Entornos con GPU, bibliotecas (TensorFlow, PyTorch, scikit-learn) y controladores actualizados.
  
• 
  Pipelines CI/CD nativos para ML: Integración con GitOps que dispara entrenamiento, validación y despliegue automático.
  
• 
  Model Serving como servicio: Exposición de endpoints de inferencia con auto-scaling y métricas en vivo.
  
• 
  Monitorización y gobernanza: Paneles en Grafana/Prometheus para métricas de GPU, latencia, drift de datos y trazabilidad.
  

Demo práctica: de notebook a API en minutos

• Creación de rama feature/llm-demo dispara el pipeline en GitLab CI.
• Job de entrenamiento escala un “job” en RHOAI con 4 GPUs.
• Validación automática detecta si la exactitud supera el umbral.
• Empaquetado y push de la imagen al registry interno.
• Canary deployment en un namespace efímero.
• Pruebas de inferencia y monitorización en vivo.

Beneficios clave de este puente MLOps–DevOps

• Velocidad de entrega: reduce de semanas a horas el ciclo entrenamiento–producción.
• Reproducibilidad: workspaces idénticos en local, test y producción.
• Colaboración: científicos de datos y DevOps hablan el mismo lenguaje.
• Escalabilidad: recursos GPU y contenedores autoadaptativos.
• Seguridad y cumplimiento: artefactos firmados, roles de acceso y auditoría integrada.

Recursos y próximos pasos

• 📺 Ver la charla completa
• 📚 Linktree con todos los tutoriales
• 🛠️ Repo de ejemplos
• 🎟️ Entradas X-Ops Conference Madrid 2025
• 🌐 Más info