mlops-deployment-pipeline

name	mlops-deployment-pipeline
description	"Um modelo foi treinado (via `ai_ml_ml`) e precisa ser servido em produção"

MLOps Deployment Pipeline — Gap-Filling Skill

Bridge declarativo entre ai_ml_ml (onde modelos são treinados) e engineering_devops (onde infraestrutura de deployment existe). Fecha o Gap-1 do APEX: modelos treinados ficavam sem pipeline de produção.

Why This Skill Exists

O APEX tem skills ricas em ai_ml_ml para treinamento de modelos e skills em engineering_devops para CI/CD e Kubernetes. O gap: nenhuma skill faz a ponte entre model artifact e production serving endpoint. Modelos treinados ficam como artefatos locais, sem pipeline de containerização, validação, deployment, drift monitoring ou A/B testing declarativo. Esta skill fecha o Gap-1 identificado na análise de sinergia: é o pipeline MLOps completo do modelo ao endpoint monitorado.

When to Use

Use esta skill quando:

• Um modelo foi treinado (via ai_ml_ml) e precisa ser servido em produção
• Quiser adicionar drift monitoring a um modelo já em produção
• Precisar de A/B testing entre duas versões de modelo
• Construindo pipeline CI/CD para re-treinamento automático

What If Fails

Fase	Falha	Ação
Validação	Performance abaixo do baseline	Bloquear deployment; reportar delta das métricas
Containerização	Build falha	Verificar dependências e versões de framework
Deployment	Endpoint unhealthy	Rollback automático para versão anterior
Drift Monitor	PSI > threshold	Trigger retrain pipeline; alertar equipe
A/B Test	Sem significância	Manter modelo atual; aumentar período de teste

MLOps Pipeline Stages

STAGE 1: Model Validation
  → Carrega model_artifact_path
  → Avalia em hold-out set
  → Compara com performance_baseline
  → GATE: métricas >= baseline (bloqueia se não)

STAGE 2: Containerization
  → Gera Dockerfile otimizado por model_framework
  → Build e push da imagem para registry
  → Escaneia imagem por CVEs (via security-gate-injector)
  → Output: container_image_tag

STAGE 3: Deployment
  → Gera manifest (Kubernetes Deployment + Service, ou serverless config)
  → Deploy com health check e readiness probe
  → Output: serving_endpoint
  → GATE: endpoint healthy após deploy

STAGE 4: Drift Monitoring Setup
  → Configura coleta de distribuição de features em produção
  → Define alertas para PSI/KL-divergence > drift_threshold
  → Output: monitoring_config com dashboards

STAGE 5: A/B Test Configuration [se há versão anterior]
  → Configura traffic split entre champion e challenger
  → Define métricas de comparação e sample size
  → Output: ab_test_config
  → GATE: resultado estatisticamente significativo antes de promover

Framework → Serving Stack Map

model_framework	Serving Stack	Container Base
sklearn	FastAPI + joblib	python:3.11-slim
pytorch	TorchServe / FastAPI	pytorch/torchserve
tensorflow	TF Serving	tensorflow/serving
huggingface	HuggingFace Inference	huggingface/transformers-pytorch-gpu
onnx	ONNX Runtime Server	mcr.microsoft.com/onnxruntime

Diff History

• v00.36.0: Criado via OPP-Phase4-super-skills — Gap-1 bridge: ai_ml_ml ↔ engineering_devops (MLOps)