Amazon SageMaker y DVC: trazabilidad de extremo a extremo de modelos de ML desde los datos hasta la predicción

El AWS Machine Learning Blog publicó una guía detallada sobre cómo construir rastreo end-to-end de modelos ML — desde datos brutos hasta la predicción final — utilizando tres herramientas: DVC, Amazon SageMaker AI y Amazon SageMaker AI MLflow Apps. El problema que aborda el material es bien conocido por los equipos que trabajan en producción: no está claro exactamente qué datos se utilizaron para entrenar un modelo específico, qué transformaciones se le aplicaron y cómo un registro individual influyó en la predicción. Esto es crítico durante auditorías, depuración de data drift y cumplimiento de requisitos regulatorios.

DVC (Data Version Control) es una herramienta de código abierto que añade versionado de archivos grandes y conjuntos de datos a Git. En combinación con SageMaker, permite capturar la instantánea exacta de los datos utilizados en cada ejecución de entrenamiento. SageMaker MLflow Apps, a su vez, almacena métricas, parámetros y artefactos de experimentos — un servidor MLflow estándar gestionado por AWS sin necesidad de desplegar infraestructura manualmente.

Los autores describen dos patrones concretos. El primero es linaje a nivel de dataset: se registra la versión del dataset (mediante etiqueta DVC), parámetros del pipeline de procesamiento y un enlace al modelo entrenado en MLflow. El segundo es linaje a nivel de registro: cada registro específico del conjunto de entrenamiento se vincula al modelo, lo que permite responder la pregunta "¿qué ejemplos exactamente formaron esta predicción".

Ambos patrones se implementan como notebooks Jupyter listos para ejecutarse en su cuenta AWS. La arquitectura funciona de la siguiente manera: los datos se almacenan en S3 y se versionan por DVC, los metadatos de experimentos (parámetros, métricas, artefactos) — en MLflow App, y la conexión entre versión de datos y versión de modelo se proporciona a través de etiquetas personalizadas y artefactos DVC registrados en MLflow. El valor práctico del enfoque está en la reproducibilidad.

Si en seis meses resulta que el modelo se comporta inesperadamente en una cierta cohorte de usuarios, los ingenieros podrán recuperar con precisión en qué dataset fue entrenado, qué registros incluía y con qué hiperparámetros se lanzó el entrenamiento. El material está dirigido a ingenieros ML y equipos MLOps ya trabajando en el ecosistema AWS. Los notebooks preconfigurados reducen significativamente la barrera de entrada: no es necesario diseñar la integración desde cero — es suficiente adaptar los ejemplos a su dataset y pipeline de procesamiento.

Para empresas donde la auditabilidad de sistemas ML es importante — especialmente en el sector financiero, medicina y proyectos gubernamentales — tal enfoque se convierte en un estándar de facto. AWS está construyendo consistentemente un conjunto de herramientas en el que el linaje deja de ser una "buena práctica" opcional y se convierte en una propiedad integrada del pipeline.