Estou muito feliz em compartilhar com vocês uma grande conquista acadêmica, a publicação de um artigo científico em periódico internacional! O artigo, intitulado “Make or buy strategy for Machine Learning Operations – MLOps“, foi publicado nos Anais da Academia Brasileira de Ciências e é fruto de um trabalho de pesquisa intenso, colaborativo e exaustivo.
No artigo, meu orientador no mestrado e no doutorado, Ismar F. Silveira e meus colegas Renato Banzai e Maína C. Alexandre, mergulhamos em um tema super relevante no mundo da Inteligência Artificial: a decisão entre desenvolver internamente (make) ou comprar (buy) soluções computacionais para projetos de Machine Learning (MLOps).
Sei que muitos de vocês acompanham o blog e o linkedin e sabem o quanto gosto do assunto de MLOps. Por isso, quis trazer um pouco do que foi abordada nesta pesquisa e como ela pode ajudar empresas e profissionais da área.
A estratégia de “Make or Buy” em MLOps
No universo de Machine Learning, as empresas frequentemente se deparam com o desafio de equilibrar a complexidade dos produtos, suas competências essenciais e o gerenciamento de riscos. A decisão de construir uma solução de ML internamente ou adquirir uma já existente no mercado é complexa e pode ter implicações significativas em fatores como agilidade, qualidade do software e rastreabilidade.
Desenvolver soluções internamente permite que as organizações adaptem os sistemas às suas necessidades específicas e, potencialmente, reduzam problemas de manutenção a longo prazo. Por outro lado, adquirir soluções existentes pode acelerar a integração de ML em produtos e serviços.
O que você encontrará no artigo?
Nosso estudo destaca a importância de entender as necessidades de cada projeto ao analisar as ofertas existentes para resolver problemas e manter a competitividade no mercado. Oferecemos um guia prático para direcionar e apoiar essa decisão crucial. Inclusive, você pode extrapolar o estudo que fizemos para MLOps e aplicar a outras necessidades da sua empresa.
Além disso, apresentamos análises qualitativas e quantitativas de algumas das principais ferramentas de MLOps do mercado, separadas em três grupos:
- Open Source: MLFlow, Airflow, Kubeflow
- Ferramentas Proprietárias: Databricks, Dataiku, H2O
- Ferramentas de Computação em Nuvem: Amazon AWS, Microsoft Azure, Google GCP
Essa análise detalhada visa facilitar o entendimento da necessidade do projeto e o gerenciamento do ciclo de vida dos modelos de Machine Learning, além de contribuir para a compreensão dos desafios e estratégias envolvidos na implementação eficaz de projetos de MLOps.
Por que isso é importante?
Muitas pesquisas em Machine Learning focam na teoria matemática dos modelos (e inclusive eu já falei disso várias vezes em palestras). Contudo, poucas exploram as técnicas de implantação e tendem a negligenciar aspectos de ciência da computação e engenharia de software, como segurança, qualidade, desempenho e confiabilidade. O MLOps surge justamente para preencher essa lacuna, levando os modelos de ML da pesquisa para o mundo real, gerenciando, implantando e aprimorando esses modelos para resolver problemas de negócios.
Nosso artigo busca auxiliar as organizações a navegarem por essa complexa decisão de fazer ou comprar. No estudo, considerando fatores como expertise interna, acesso à dados, ambiente regulatório complexo e o nível de customização necessário para o projeto. Repare que não é uma decisão simples, vários fatores devem ser ponderados.
Um guia para ajudar na sua decisão
Fizemos a proposta em formato de guia, baseado em perguntas diretas e objetivas, para ajudar você a entender suas necessidades e direcionar a melhor abordagem. As respostas a essas perguntas, são então plotadas em um gráfico que considera o estágio atual da empresa e a vantagem competitiva que o MLOps pode trazer para os objetivos e estratégia da empresa. Com isso, o gráfico direciona a um caminho de Make or Buy, e isso ajuda a guiar sua decisão.
O que concluímos no artigo?
A pesquisa demonstra que não existe uma solução única para todos os casos. Ferramentas open source, proprietárias e de nuvem possuem características únicas. Muitas vezes, a melhor abordagem pode ser um modelo híbrido, combinando diferentes soluções para atender às necessidades específicas do projeto. Isso é recomendado, principalmente, quando há um alto nível de customização ou requisitos regulatórios envolvidos.
Onde ler o artigo:
O artigo “Make or buy strategy for Machine Learning Operations – MLOps” está disponível nos Anais da Academia Brasileira de Ciências. Você pode acessá-lo através do link DOI: 10.1590/0001-3765202520240924.
NOGARE, D., SILVEIRA, I. F., BANZAI, R., & ALEXANDRE, M. C.. (2025). Make or buy strategy for Machine Learning Operations – MLOps. Anais Da Academia Brasileira De Ciências, 97(2), e20240924. https://doi.org/10.1590/0001-3765202520240924
