Você já se perguntou se é melhor desenvolver internamente ou adquirir soluções prontas para operações de Machine Learning (MLOps)? Nosso artigo científico publicado nos Anais da Academia Brasileira de Ciências aborda exatamente essa decisão estratégica que muitas empresas enfrentam.

A pesquisa explora os prós e contras de construir internamente (make) versus comprar (buy) soluções de MLOps. Fatores como custo, qualidade, expertise técnica e alinhamento estratégico são considerados para ajudar as organizações a equilibrar complexidade, competências essenciais e gestão de riscos.

Nosso estudo também apresenta análises qualitativas e quantitativas de ferramentas como MLFlow, Airflow, Kubeflow, Databricks, Dataiku, H2O, Amazon AWS, Microsoft Azure e Google GCP. Essas ferramentas facilitam a gestão do ciclo de vida de modelos de machine learning, desde o desenvolvimento até a implantação e monitoramento. A análise extensa permitiu fazer comparação entre funcionalidades das ferramentas, e apresenta em quais situações essas ferramentas podem ser utilizadas.

Na minha visão, a grande contribuição do artigo é fornecer um guia para decisões de “make or buy” em MLOps. Este guia contribui para a compreensão dos desafios e estratégias envolvidos na implementação eficaz de projetos de machine learning nas organizações considerando caso a caso a partir das perguntas sugeridas no artigo.

O artigo intitulado “Make or buy strategy for  Machine Learning Operations – MLOps“, foi publicado na revista internacional de alto impacto Anais da Academia Brasileira de Ciências, e está disponível para leitura completa neste link.

Para citações, utilize:

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