Educação financeira · artigo prático
Git e CI/CD para times de IA
Controle de versão e integração contínua em projetos de IA exigem mais do que versionar código — dados e modelos também precisam de rastreabilidade.
Em software tradicional, versionar código com Git costuma garantir reprodutibilidade. Em IA isso quebra: o comportamento do modelo depende também dos dados e parâmetros de treinamento.
O código do pipeline pode estar idêntico entre duas execuções, e ainda assim produzir modelos com comportamento diferente, porque os dados de treinamento ou os parâmetros mudaram. Isso exige estender as práticas de controle de versão para além do código-fonte.
Versionamento além do código
Ferramentas como DVC (Data Version Control) versionam datasets e artefatos de modelo do mesmo jeito que o Git versiona código-fonte, associando cada versão de dado ou modelo a um commit específico. Isso torna possível responder 'qual dado gerou este modelo' meses depois, algo que versionar só o código não resolve.
CI/CD adaptado para pipelines de ML
A entrega contínua muda: promover um modelo depende de comparar métricas com uma linha de base, não só passou/falhou — a diferença de fundo entre MLOps e DevOps, e um artefato que normalmente já viaja em containers versionados junto com o código.
- Lint e testes automatizados do código
- Validação de esquema e sanidade dos dados
- Retreinamento e avaliação em ambiente controlado
- Comparação de métricas contra linha de base
- Deploy condicionado à aprovação desses critérios
Ferramenta interativa