El estado del arte en las Operaciones de Aprendizaje Automático (MLOps) ha sido, hasta la fecha, la aplicación de principios de DevOps al ciclo de vida del aprendizaje automático. Este enfoque se ha centrado en la automatización, la reproducibilidad y el monitoreo de los pipelines de modelos. Si bien estas prácticas han sido fundamentales, los flujos de trabajo resultantes a menudo siguen siendo frágiles, requieren una configuración de infraestructura intrincada y crean una alta carga cognitiva para los equipos de ingeniería y ciencia de datos. Los desarrolladores se enfrentan a comportamientos impredecibles y flujos de trabajo complejos, donde la fase de experimentación puede ser tediosa y propensa a errores sin mecanismos de seguimiento robustos.   

Este informe presenta una tesis central: la industria está presenciando una transición de MLOps a "MLOps Agéntico", una forma de AIOps donde el paradigma fundamental de interacción cambia. En lugar de que los ingenieros configuren y ejecuten manualmente los pipelines de CI/CD (Integración Continua/Despliegue Continuo), instruyen a un agente de IA autónomo para que construya, ejecute, supervise y gestione esos pipelines en su nombre. El agente se convierte en la interfaz unificada y en lenguaje natural para todo el ciclo de vida del ML, transformando flujos de trabajo de servicios múltiples en interacciones conversacionales simples.   

Para diseccionar esta transformación, este análisis presenta dos casos de uso arquetípicos implementados en Amazon Web Services (AWS), cada uno respondiendo a una faceta de la solicitud original:

1. "MLOpsOrchestrator" (Entrenamiento de Modelos): Un sistema agéntico avanzado diseñado para la industria del videojuego. Este agente gestiona el pipeline completo de CI/CD para modelos de predicción (como la predicción de abandono de jugadores), abarcando desde la creación de grupos de características (feature stores) hasta la gestión de aprobaciones de modelos para el despliegue en producción.   

2. "Returns & ReCommerce Data Assist (RRDA)" (Análisis de Datos): Un asistente conversacional a escala de petabytes desarrollado internamente en Amazon. Este caso demuestra cómo un sistema agéntico puede democratizar el acceso a los datos, reducir la dependencia de los equipos de inteligencia de negocio (BI) en un 90% y servir como un ejemplo de orquestación de datos compleja (Text-to-SQL).   

Este informe analizará exhaustivamente el problema de negocio, el modelo de trabajo agéntico y la pila tecnológica de AWS para cada caso. A través de este análisis, se extraerán patrones arquitectónicos, se identificarán recomendaciones estratégicas y se proporcionará un plan de acción para las organizaciones que buscan implementar sistemas de IA autónomos para el análisis de datos y la gestión del ciclo de vida del ML.