DataOps e MLOps - Fundamentos da Cultura em MLOps e DataOps
Sep 30, 2025 - ⧖ 4 minPublished as part of 'cultura-e-praticas-em-dataops-e-mlops' series.
👋🏽 Olá, Mundo
Bem-vindo a mais um artigo da série sobre Cultura e Práticas em DataOps e MLOps! 🚀
Agora que a gente já falou sobre DevOps, vamos entender o que é DataOps e MLOps, mas já adiantando, meio que essa é a evolução do DevOps, focado em dados e aprendizado de máquina.
Nesse artigo, vamos tentar manter as coisas simples e diretas, evitando jargões técnicos complicados. A ideia é que qualquer pessoa, mesmo sem muito conhecimento prévio, consiga entender os conceitos básicos de DataOps e MLOps.
Por conta disso, se você já é um expert no assunto, pode ser que ache o conteúdo um pouco básico demais. Mas tudo bem, a ideia aqui é ajudar quem está começando ou quer entender melhor esses conceitos.
Agora, bora lá!
🧑🏽💻
Outro ponto! Vamos tentar fazer analogias simples para facilitar o entendimento, então se algo parecer meio estranho ou engraçado, é por isso! 😄
DataOps e MLOps
DataOps e MLOps são abordagens que aplicam os princípios e práticas do DevOps ao gerenciamento de dados e ao ciclo de vida de modelos de aprendizado de máquina, respectivamente.
O que é DataOps?
Ou Data Operations para os mais íntimos! 😄
É a prática de aplicar princípios de DevOps ao gerenciamento e operação de dados, com o objetivo de melhorar a qualidade, a velocidade e a eficiência do ciclo de vida dos dados.
Na comunidade, acabou se estabelencendo alguns princípios para o DataOps, como:
- Satisfação contínua do cliente através da entrega rápida e contínua de dados de alta qualidade.
- Foco em análises relevantes para impulsionar a tomada de decisões.
- Redução de heroísmo e dependência de indivíduos específicos, promovendo a colaboração e o trabalho em equipe.
- Monitoramento contínuo dos processos de dados para identificar e resolver problemas rapidamente.
- Melhorar o cycle time de entrega de dados, desde a coleta até a disponibilização para análise.
Que diacho isso tem a ver com DevOps?
Bom, vão existir diversas similaridades, desde o uso de metodologias ágeis aplicadas no desenvolvimento, até entregas contínuas que agilizam o processo de percepção de valor.
Ok, mas e ai? Quais as diferenças?
Bom, enquanto o DevOps foca na entrega de software, o DataOps foca na entrega de dados. Isso significa que o DataOps envolve práticas específicas para garantir a qualidade, a governança e a segurança dos dados ao longo de todo o ciclo de vida dos dados.
Mas, por qual motivo é imporatnte ter uma cultura de DataOps?
Ter uma cultura de DataOps é importante porque promove uma abordagem sistemática e colaborativa para o gerenciamento de dados, resultando em diversos benefícios, como:
- Processos mais ágeis e eficientes, permitindo uma entrega contínua de dados de alta qualidade.
- Democratização do acesso aos dados, permitindo que mais pessoas na organização possam utilizar e analisar os dados de forma independente.
Vamos ver algo prático?
Que tal detectarmos data drift em um dataset?
🧑🏽💻
Data drift é quando a distribuição dos dados muda ao longo do tempo, o que pode afetar a performance dos modelos de machine learning. Detectar isso é crucial para manter a eficácia dos modelos.
Fonte: Deepchecks
Qual a diferença entre os tipos de drift?
- Concept Drift: Mudança na relação entre as variáveis de entrada e a variável alvo ao longo do tempo.
- Data Drift: Mudança na distribuição das variáveis de entrada ao longo do tempo.
Resolveriamos isso, da seguinte forma, no data drift poderiamos somente atualizar o modelo, já no concept drift, teriamos que reavaliar todo o modelo.
Como detectar data drift?
- Monitorar dados usados para treinar o modelo.
- Atualizar o modelo regularmente com novos dados.
- Se o Concept Drift for grande, o modelo deve ser re-feito.
Mas, e ai? O que achou desse conceito de DataOps? Interessante, né?
Agora, vamos falar sobre MLOps!
O que é MLOps?
Ou Machine Learning Operations para os mais íntimos! 😄