GS Caltex acelera el paso de modelos de ML a producción: de una semana a unas pocas horas
Los modelos creados por expertos suelen esperar semanas a que los ingenieros los pongan en el sistema de producción. GS Caltex automatizó ese traspaso desde la herramienta sin código AWS SageMaker Canvas: ahora el despliegue de un modelo lleva unas pocas horas, en lugar de aproximadamente una semana. Las predicciones se calculan por lotes cada 30 minutos, de modo que el servidor no necesita permanecer encendido las 24 horas. Si los modelos los construyen tecnólogos y no programadores, un puente de este tipo ahorra días a los ingenieros.
Procesado por IA desde AWS Machine Learning Blog; editado por Hamidun News
Imagine una planta en la que un tecnólogo ajusta durante meses los parámetros de un proceso y, por fin, obtiene un modelo que predice bien el indicador que le interesa. Después llega la parte más tediosa: convertir el modelo en una tarea que se ejecute sola, según un calendario, con datos nuevos. Esta fase suele consumir más tiempo que el entrenamiento. La compañía energético-química surcoreana GS Caltex describió en el blog de AWS cómo redujo ese proceso de aproximadamente una semana a unas pocas horas.
Aclaremos brevemente los términos. Un modelo de ML es aquí un programa predictor entrenado. Poner un modelo en producción significa trasladarlo del entorno experimental al sistema de trabajo. SageMaker Canvas es la herramienta visual de AWS que permite construir modelos sin escribir código. SageMaker Pipelines es el servicio que enlaza los pasos de procesamiento de datos y de predicción en un flujo automático. GS Caltex combinó ambas herramientas.
Quién hace qué
GS Caltex repartió los papeles según las fortalezas de cada equipo. Los tecnólogos trabajan en Canvas: preparan los datos con el editor visual Data Wrangler, entrenan el modelo y evalúan hasta qué punto se pueden fiar de sus predicciones. Conocen el proceso, las variables y los datos reales. Los ingenieros de ML toman los resultados ya hechos y los convierten en tareas de producción: gestionan las versiones de los modelos, el historial de ejecuciones y el tratamiento de los fallos.
El cuello de botella seguía estando en la interfaz entre ambos equipos. Trasladar los recursos de Canvas a Pipelines se hacía a mano: escribir las rutas a los datos en producción, pasar la configuración del modelo y conectar las tareas de preprocesamiento y de predicción. GS Caltex automatizó ese traspaso y reutiliza todo lo que el tecnólogo ya ha validado. Según la compañía, los ingenieros de ML ahora despliegan los modelos en unas pocas horas. Antes tardaban alrededor de una semana.
Cómo funciona el flujo
El esquema consta de dos partes. La primera se activa cuando sale una nueva versión del modelo. El ingeniero obtiene de Canvas el archivo de preprocesamiento y el propio modelo, revisa los formatos de datos y los resultados de las predicciones, aprueba el modelo en el registro Model Registry y lo despliega. La segunda parte funciona de forma continua: Amazon EventBridge lanza según un calendario un flujo de cinco pasos.
- PrepareInput añade a los datos una columna con el indicador objetivo de marcador de posición, si no existe;
- PreprocessNewData pasa los datos por el mismo preprocesamiento que validó el tecnólogo;
- DropTargetColumn elimina el marcador de posición y el encabezado del CSV;
- BatchPredict ejecuta la predicción por lotes con el modelo aprobado;
- AssembleResults reúne el CSV final a partir de los datos preparados y las predicciones.
El marcador de posición responde a una razón sencilla. El flujo de procesamiento se construyó con datos de entrenamiento, donde el resultado conocido existe. En los datos nuevos, por definición, ese resultado no existe, pero el flujo sigue esperando esa columna. Los autores hacen una salvedad: el método funciona solo si el marcador no afecta a los valores de las variables. Si el flujo filtra filas según el indicador objetivo, construye variables a partir de él o aplica target encoding, hace falta una adaptación adicional.
La predicción se realiza en lotes cada 30 minutos, es decir, 48 ejecuciones al día. Entre ejecuciones no hace falta mantener un endpoint en funcionamiento permanente, es decir, un servidor a la espera de peticiones. La compañía indica que esto redujo notablemente los costes de inferencia, aunque no ofrece cifras concretas. Para tareas que requieren una respuesta inmediata, el modo por lotes no sirve.
Los escollos
Los autores enumeran con honestidad los puntos donde puede tropezarse:
- Ruta fija de los datos de entrada. El paso PrepareInput escribe los datos en la ubicación indicada dentro del archivo .flow. Un parámetro del pipeline no sustituye esa ruta por sí solo. Para aislar cada ejecución hace falta un paso que actualice la ruta en una copia del archivo. Las ejecuciones con una ruta de entrada común no deben solaparse.
- La aprobación del modelo no se verifica automáticamente. Model Registry guarda el estado, pero no bloquea la predicción. La comprobación debe hacerse en el código de despliegue, y al revocar una aprobación hay que actualizar los calendarios.
- Parámetros aprendidos. El escalado y la codificación ajustados durante el entrenamiento no deben recalcularse con cada lote nuevo. Conviene fijar la versión de la imagen del contenedor.
- Comprobación de coincidencia. Compare las columnas, los tipos de datos y los valores tras el procesamiento en Canvas y en producción, usando la misma entrada.
Qué conclusiones sacar
La lección va más allá de la pila tecnológica de AWS. Si los modelos los construyen expertos del dominio, el valor lo aporta un puente estándar entre su herramienta y producción, y no una herramienta más. La implementación de referencia está en GitHub y se basa en un modelo de clasificación de créditos, así que la configuración tendrá que ajustarse a sus formatos de entrada y salida. Al evaluar el ahorro, conviene considerar toda la cadena y no solo el coste del servidor: el preprocesamiento, el arranque de las instancias, la predicción, el almacenamiento en S3 y los registros.
- 21 nov 2026AG-UI 1.0 le da a los agentes de IA un lenguaje común para comunicarse con la aplicación: 31 tipos de eventos
- 21 nov 2026OpenAI lanza ChatGPT Wallet: los agentes compran sin ver el número de la tarjeta
- 21 nov 2026Los anunciantes estadounidenses gastaron 70,7 millones de dólares en publicidad en ChatGPT en octubre, un 127 % más que en abril
- 21 nov 2026ONNX Runtime desaparece de GitHub: Microsoft oculta los repositorios tras el ataque a un paquete
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Quién hace qué?
GS Caltex repartió los papeles según las fortalezas de cada equipo. Los tecnólogos trabajan en Canvas: preparan los datos con el editor visual Data Wrangler, entrenan el modelo y evalúan hasta qué punto se pueden fiar de sus predicciones. Conocen el proceso, las variables y los datos reales. Los ingenieros de ML toman los resultados ya hechos y los convierten en tareas de producción: gestionan las versiones de los modelos, el historial de ejecuciones y el tratamiento de los fallos.
Cómo funciona el flujo?
El esquema consta de dos partes. La primera se activa cuando sale una nueva versión del modelo. El ingeniero obtiene de Canvas el archivo de preprocesamiento y el propio modelo, revisa los formatos de datos y los resultados de las predicciones, aprueba el modelo en el registro Model Registry y lo despliega. La segunda parte funciona de forma continua: Amazon EventBridge lanza según un calendario un flujo de cinco pasos.
¿Qué se sabe sobre Los escollos?
Los autores enumeran con honestidad los puntos donde puede tropezarse: Ruta fija de los datos de entrada. El paso PrepareInput escribe los datos en la ubicación indicada dentro del archivo .flow. Un parámetro del pipeline no sustituye esa ruta por sí solo. Para aislar cada ejecución hace falta un paso que actualice la ruta en una copia del archivo. Las ejecuciones con una ruta de entrada común no deben solaparse. La aprobación del modelo no se verifica automáticamente.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.