La creciente demanda por soluciones de inteligencia artificial y aprendizaje automático en el ámbito empresarial está impulsando a las compañías a optimizar sus procesos para el desarrollo y gestión de estos modelos. En este contexto, Crexi, un mercado digital especializado en transacciones de bienes raíces comerciales, ha emergido como un ejemplo de éxito al integrar soluciones de MLOps en la plataforma de servicios de Amazon Web Services (AWS).
En su empeño por satisfacer la necesidad de una infraestructura ágil y poderosa, Crexi ha desarrollado un marco adaptable para la creación y despliegue de tuberías de IA y ML. Este enfoque ha permitido que sus modelos de aprendizaje automático se desplieguen y gestionen eficazmente en una variedad de proyectos, asegurando un rendimiento óptimo y satisfacción de los requerimientos empresariales.
El éxito de Crexi se debe, en gran parte, a la colaboración con tecnologías como Datadog y Pulumi. Datadog, conocido por su capacidad de monitorización a escala para aplicaciones en la nube, ha sido fundamental para prevenir tiempos de inactividad y solucionar problemas de rendimiento mediante un control constante y eficaz de las operaciones. Por otro lado, Pulumi, como herramienta de infraestructura como código (IaC), ha facilitado a Crexi la gestión de sus recursos en la nube utilizando lenguajes de programación comunes, simplificando así la entrega y prueba de su infraestructura.
En el centro de su operación, Crexi emplea AWS Lambda para llamar asíncronamente a los endpoints de Amazon SageMaker, ejecutando la lógica de inferencia de manera eficiente y almacenando los resultados en Amazon S3 y Amazon Data Firehose. Este sistema asegura una integración sin problemas con otros sistemas y servicios.
La adopción de una infraestructura de integración y despliegue continuo (CI/CD), mediante la plataforma Pulumi, ha sido vital para el rápido y efectivo lanzamiento de sus modelos de ML. Este enfoque no solo permite retroceder en las tuberías en caso de errores, sino que también garantiza la supervisión continua del estado del sistema, previniendo potenciales problemas de manera proactiva.
La implementación de estas operaciones se realiza a través de acciones de GitHub que ejecutan scripts de Pulumi, manteniendo una infraestructura reproducible y exenta de errores de regresión. La monitorización en tiempo real, gestionada por un panel avanzado en Datadog, facilita un análisis detallado del estado de las tuberías, permitiendo detectar y corregir rápidamente cualquier cuello de botella.
Esta arquitectura de despliegue de pipelines IA/ML no solo satisface las necesidades actuales de Crexi, sino que también establece una base sólida para futuras innovaciones. Permite que las operaciones no solo mejoren continuamente, sino que también se adapten al desarrollo de nuevas tecnologías y metodologías.
En resumen, Crexi se ha posicionado como líder en la implementación de MLOps, gestionando con eficiencia la complejidad del despliegue de modelos y asegurando un ciclo continuo de mejora. Este enfoque impulsará el progreso y éxito de sus iniciativas en el futuro.
