Entregar el modelo: dónde acaba tu responsabilidad

Llegas al final de este camino con un modelo que mereces defender: medido con honestidad, leído con criterio, con su umbral elegido por coste, sus probabilidades comprobadas y un plan para vigilarlo cuando el mundo se mueva. Queda la pregunta que casi nadie te responde cuando empiezas, y que decide si tu trabajo sirve de algo o se queda en un cuaderno olvidado: ¿y ahora qué entregas, y a quién? Porque un modelo que funciona en tu máquina y que nadie más sabe usar, desplegar ni mantener no es un modelo que resuelva un problema: es un experimento que se quedó a medias. El último tramo de este oficio es entender qué sale de tus manos, cómo sale, y dónde deja de ser tuyo.

Empecemos por derribar el malentendido más común de quien empieza: creer que el entregable es el cuaderno donde entrenaste el modelo, ese documento con el código, las gráficas y el número de acierto al final. No lo es. Ese cuaderno es tu taller, el sitio donde probaste cosas, y está lleno de celdas ejecutadas en desorden, variables a medio nombrar y experimentos que no llevaron a nada. Entregar tu taller es como que un arquitecto te entregue sus bocetos arrugados en vez de los planos. Lo que entregas es otra cosa, construida a propósito para que otro pueda confiar en tu modelo, ponerlo a funcionar y mantenerlo cuando tú ya no estés mirando.

Para entender por qué el cuaderno de pruebas no sirve como entrega, piensa en la diferencia entre cocinar un plato una vez y escribir la receta para que cualquiera lo repita. Cuando cocinas improvisando, vas probando: un poco más de sal, apago el fuego cuando me parece, uso lo que tengo en la nevera. El plato puede salir buenísimo, pero si alguien te pregunta cómo lo hiciste, no tienes una respuesta reproducible: tienes recuerdos. El cuaderno donde entrenaste el modelo es ese cocinar improvisando, con celdas que ejecutaste en un orden que ya no recuerdas, valores que ajustaste a ojo y pruebas que abandonaste a medias. La entrega es la receta: los pasos exactos, las cantidades, el orden, de forma que otra persona (o tú mismo dentro de seis meses, que para el caso es otra persona) pueda obtener el mismo resultado sin tenerte al lado explicándolo. Esa traducción del taller caótico a algo repetible es trabajo de verdad, y es parte de lo que te pagan por hacer, aunque no sea la parte vistosa.

## Qué entregas de verdad

Una buena entrega de un modelo tiene varias piezas, y ninguna es el cuaderno de pruebas. La primera es el modelo en sí, en una forma que otro programa pueda cargar y usar sin tener que reentrenarlo: el resultado del entrenamiento, guardado y listo para dar predicciones. La segunda, y es la que distingue a un profesional, es la documentación de lo que ese modelo es y no es: con qué datos se entrenó y de qué periodo, qué variables usa y de dónde salen, qué medición honesta obtuvo (no solo el acierto, sino la matriz de confusión, la precisión y la exhaustividad de la clase que importa), con qué umbral trabaja y por qué ese y no otro. Todo lo que has aprendido a medir se convierte aquí en lo que entregas documentado.

Pero hay dos piezas más que la gente olvida y que son justo las que convierten una entrega en algo responsable. Una es la lista de supuestos y límites: en qué condiciones el modelo es de fiar y en cuáles no. Que se entrenó con clientes de un cierto perfil y no hay que creérselo con otros muy distintos. Que las probabilidades están calibradas en un rango y fuera de él no tanto. Que si cierta variable deja de recogerse, el modelo se cae. Son las letras pequeñas honestas, lo que evita que alguien use tu modelo donde no debe. Y la otra pieza es el plan de vigilancia que aprendiste al ver cómo se vigila un modelo en marcha: qué señales hay que mirar, con qué raya de alarma, y cuándo tocaría reentrenar. Entregas el modelo y, con él, las instrucciones de cómo saber que ha dejado de valer.

Esta idea de documentar un modelo con sus límites y sus condiciones de uso no es un capricho que nos inventemos aquí: se ha convertido en una práctica reconocida en el sector, y tiene hasta un formato con nombre, la ficha del modelo. Surgió de un problema real y repetido: modelos que se usaban donde no debían porque nadie había escrito en qué condiciones eran de fiar. Un modelo entrenado con datos de un tipo de población al que luego se le pedían predicciones sobre otra muy distinta; un modelo de riesgo pensado para un país que alguien aplicó en otro; un detector entrenado con datos de hace cinco años que seguía decidiendo como si nada hubiera cambiado. En todos esos casos el modelo no estaba roto: estaba usado fuera de su terreno, y una ficha honesta lo habría evitado. Documentar los límites no es cubrirte las espaldas, es impedir que tu trabajo haga daño donde no estaba pensado para funcionar.

Hay una palabra que resume toda esta exigencia, y es reproducibilidad. Una entrega es reproducible cuando otra persona, partiendo de lo que le das, puede obtener el mismo modelo y los mismos resultados que tú. Eso significa decir con qué datos exactos entrenaste, con qué versiones de las herramientas, con qué semilla de azar (¿recuerdas la obsesión con fijar el azar para que todo salga igual cada vez? Era por esto también). Un modelo que solo tú sabes reconstruir, que depende de pasos que diste y no anotaste, es un modelo que muere contigo el día que cambias de proyecto. La reproducibilidad no es burocracia: es lo que hace que tu trabajo sobreviva a tu memoria y a tu presencia.

Hay una pregunta que distingue una entrega madura de una ingenua, y es: ¿qué pasa cuando el modelo se equivoca con alguien concreto? Porque se va a equivocar, ningún modelo acierta siempre, y cuando lo haga habrá una persona al otro lado a la que se le negó un préstamo que merecía o se le bloqueó una tarjeta en mitad de una compra legítima. Una entrega responsable incluye pensar en eso: ¿hay forma de que una persona revise y corrija una decisión del modelo cuando se queja? ¿Puedes explicar por qué el modelo decidió lo que decidió, o es una caja negra que ni tú entiendes? En algunos terrenos, como el crédito, no poder explicar una decisión no es solo incómodo, es ilegal, y por eso a veces se elige un modelo que acierta un poco menos pero se puede explicar, antes que uno brillante e inescrutable. Documentar cómo se recurre una decisión y hasta qué punto se puede explicar es parte de entregar algo que va a decidir sobre personas, no solo sobre números.

## La frontera: tu trabajo y el de quien lo pone a funcionar

Y ahora la frontera, lo que da título a esta lección. Cuando entregas ese modelo bien documentado, no lo entregas al vacío: se lo entregas a alguien cuyo oficio es ponerlo a funcionar en el mundo real a escala. Ese oficio tiene nombre, MLOps, y conviene que lo conozcas aunque no sea el tuyo, porque vas a trabajar codo con codo con quien lo ejerce y porque saber dónde acaba tu responsabilidad y empieza la suya te hace mejor en las dos cosas. Tu trabajo, el del que construye el modelo, termina en un modelo validado, documentado y reproducible, con su plan de vigilancia. El trabajo de MLOps empieza justo ahí: coger ese modelo y hacer que viva.

Qué significa hacer que viva, en concreto. Significa poner el modelo en un sitio donde pueda recibir peticiones y responder predicciones, a veces miles por segundo, sin caerse: eso se llama servir el modelo, y es ingeniería pura. Significa montar la máquina que lo ejecuta, decidir cuánta potencia necesita, hacer que aguante cuando llegan muchas peticiones de golpe, que no se caiga si una parte falla. Significa automatizar el despliegue para poder cambiar un modelo por otro sin cortar el servicio, y poder volver atrás si el nuevo da problemas. Significa montar la tubería que recoge los datos de entrada en producción y calcula las señales de vigilancia que tú dijiste que había que mirar. Nada de eso es modelar: es infraestructura, y es tan difícil y tan especializada como lo tuyo.

Vale la pena entender por qué estos dos oficios se separaron, porque no siempre estuvieron divididos y la historia explica la frontera. Al principio, quien construía un modelo lo hacía en su máquina, enseñaba el resultado en una reunión y ahí moría casi siempre: muy pocos modelos llegaban a decidir de verdad sobre casos reales, porque el salto de un cuaderno a un sistema que funciona día y noche era enorme y nadie lo cubría. A medida que las empresas quisieron de verdad poner modelos a trabajar, apareció una tarea gigante que no era modelar (servir, desplegar, vigilar, escalar) y que requería destrezas de ingeniería de sistemas que el que modela no tiene por qué dominar. De ahí nació MLOps como oficio propio: no para quitarle trabajo a nadie, sino porque poner un modelo a vivir en producción resultó ser tan difícil y tan distinto de construirlo que pedía gente especializada en ello. La frontera existe porque son dos trabajos de verdad diferentes, no porque alguien decidiera repartir tareas.

La frontera no es una pared, es una costura, y las mejores costuras se cosen por los dos lados. Tú no necesitas saber montar la infraestructura de servicio, pero sí entregar algo que se pueda servir, y entender lo suficiente de lo que viene después como para no entregar un modelo imposible de poner en producción. Quien hace MLOps no necesita saber elegir un umbral por coste, pero sí entender que ese umbral existe y respetarlo. El plan de vigilancia es el ejemplo perfecto de costura: tú decides qué señales importan y con qué raya saltan (eso es tuyo, requiere entender el modelo), y MLOps monta la máquina que las mide y hace sonar la alarma (eso es suyo, requiere entender la infraestructura). Ninguno de los dos puede hacer la vigilancia solo. Por eso saber dónde está la frontera no es para levantar un muro: es para saber dónde darse la mano.

Que la frontera exista no significa que entregues el modelo y desaparezcas, y este matiz separa a quien colabora de quien tira la pelota al otro tejado. Tu responsabilidad no se corta de golpe el día de la entrega: sigues siendo la persona que entiende qué aprendió el modelo, así que cuando MLOps vea algo raro en producción (una señal de vigilancia que salta, un comportamiento extraño) te van a llamar a ti, porque tú eres quien puede interpretar si eso es deriva, un error de datos o algo esperable. Y cuando toque reentrenar, el modelo nuevo lo construyes y lo validas tú, no ellos. La entrega no es un adiós, es el momento en que el modelo empieza a vivir en un sitio que no controlas, con un compañero que se encarga de la parte que no es tuya. Pensar la frontera como un muro tras el cual te lavas las manos es tan dañino como no reconocerla: lo bueno de saber dónde está es poder colaborar a través de ella, no esconderte detrás.

## El cierre: todo lo que has aprendido era una sola cosa

Y ahora que ves el oficio completo, de la primera medición hasta la entrega, puedes entender de verdad una frase que quizá sonaba exagerada al principio: que entrenar el modelo es apenas una décima parte del trabajo. Cuenta todo lo que hay alrededor de la línea que llama a la función de entrenar. Antes de ella: definir bien qué predices y qué error cuesta más, conseguir y entender los datos, construir las variables sin colar una fuga, diseñar una validación honesta. Después de ella: leer la cifra con la matriz de confusión, elegir el umbral por coste, comprobar la calibración, planear la vigilancia, documentar los límites y entregar algo reproducible. La función que entrena el modelo está en el centro de todo eso, y es la parte más fácil, la que hace una máquina en un segundo. El noventa por ciento del valor que aportas está en las decisiones de alrededor, y todas ellas son decisiones sobre honestidad: medir sin engañarte, leer sin autoengañarte, entregar sin esconder lo que el modelo no sabe hacer.

Mira hacia atrás el camino entero, porque ahora se ve como lo que siempre fue. Empezaste con una idea incómoda: que en este oficio el adversario eres tú, y que un resultado bueno es una hipótesis que hay que intentar tumbar, no una conclusión que celebrar. De ahí salió todo lo demás, pieza a pieza. Aprendiste a repartir los datos para no mirarte las respuestas, a reconocer el modelo que memoriza, a rotar el examen cuando no sobran datos, a cortar por fecha porque el tiempo no se sortea, y a cerrar las dos puertas por las que la respuesta se cuela y lo infla todo. Conseguiste, con eso, una cifra en la que poder confiar.

Luego aprendiste que una cifra honesta no basta: hay que saber leerla. Que un acierto esconde una matriz de confusión, que los dos errores no cuestan lo mismo, que el umbral es una palanca que mueves tú según ese coste, y que una probabilidad solo vale si significa lo que dice. Y al final diste el salto al mundo real: entendiste que el modelo caduca porque el mundo se mueve, que hay que vigilarlo con señales que no esperan a la verdad, y que lo que entregas no es un cuaderno sino un modelo validado, documentado y reproducible, con su frontera clara respecto a quien lo pone a funcionar. Todo ello, de principio a fin, era una sola cosa con muchas caras: honestidad. Honestidad para medir, para leer lo medido, y para entregar sabiendo lo que tu modelo es y lo que no es.

Esa es la marca del profesional que de verdad vale, y es lo más difícil de enseñar porque no es una técnica, es un carácter. Cualquiera aprende a llamar a una función que entrena un modelo; eso es el diez por ciento del trabajo y lo hace una máquina. Lo que distingue a quien sabe lo que hace es el reflejo de desconfiar de su propio resultado, de ir a buscar la fuga detrás de un número demasiado bueno, de preguntarse qué error cuesta más antes de poner una raya, de no fiarse de un modelo solo porque suena seguro, y de entregar diciendo honestamente dónde su modelo es de fiar y dónde no. Si te llevas una sola cosa de todo esto, que sea esta: un modelo no es tan bueno como su mejor número, sino tan honesto como la persona que lo midió. Y esa persona, a partir de ahora, eres tú.