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

O post Make or buy strategy for Machine Learning Operations – MLOps apareceu primeiro em Diego Nogare.