Capítulo 1.10 — MLOps, DataOps e FinOps aplicado a ML¶

🎯 Objetivo¶

Posicionar as três disciplinas operacionais que sustentam ML em produção e mostrar por que as três precisam coexistir. Tratar uma sem as outras é o padrão clássico de equipe que entrega modelo bom em laboratório e fica perdida quando ele entra em operação contínua.

🧠 Conceitos¶

MLOps - CI/CD para modelos, pipelines, observabilidade, governança. Trata o modelo como artefato versionado com ciclo de vida próprio.
DataOps - qualidade, lineage, contratos, freshness, SLAs. Trata os dados como produto, com owner e SLA.
FinOps - visibilidade, alocação e otimização de custos. Trata custo como métrica operacional, não como surpresa no fim do mês.

Na prática, essas três disciplinas se sobrepõem em pontos críticos. Um drift detectado por MLOps pode disparar retreinamento que precisa de aprovação de DataOps (qualidade do dataset novo) e gera consumo extra que FinOps precisa absorver. Times maduros tratam as três como um único loop operacional, não como squads paralelas.

🏗️ Padrões¶

Pipelines reproduzíveis (Airflow, Dagster, Prefect, Kubeflow).
Feature store com paridade offline/online.
Model registry com aprovação.
Monitoramento contínuo com alertas em SLO/SLI.
Catálogo de modelos com owner, risco, status.

📌 Checklist¶

[ ] Treinamento, validação, deploy e rollback são reproduzíveis?
[ ] Há catálogo de modelos com owner?
[ ] Há orçamento por modelo/tenant?