Implementación de Modelos: ¿Qué? y ¿Por qué?

Objetivos de aprendizaje

Ha pasado varias semanas o meses construyendo un modelo de aprendizaje automático que identificaría si una persona se ha puesto o no una máscara en la cara con una puntuación de precisión excelente.
Suena genial, ¿verdad? ¿Esto es todo lo que querías?
No. La construcción de un modelo generalmente no es el final del proyecto.
Le gustaría que su modelo se usara en tiempo real donde pudiera identificar personas en parques, estaciones de autobuses, calles, etc., sin máscara e informar inmediatamente a las personas cercanas para que mantengan una distancia suficiente.
Aquí es donde la implementación del modelo entra en escena.

El concepto de implementación en ciencia de datos se refiere a aplicar el modelo para la predicción utilizando nuevos datos.
En otras palabras, la implementación del modelo significa usar su modelo ML entrenado para predecir nuevos datos disponibles para los usuarios u otros sistemas.
En términos técnicos, la implementación de modelos significa integrar un modelo de aprendizaje automático en un entorno de producción existente donde puede recibir una entrada y devolver una salida.

Un modelo de aprendizaje automático puede comenzar a agregar valor a una organización solo cuando la información de ese modelo está disponible de manera oportuna para los usuarios para los que fue creado.
Incluso si el modelo tiene como objetivo aumentar el conocimiento de los datos, el conocimiento obtenido debe organizarse y presentarse de manera que un cliente lo utilice.
Si presenta directamente el código del modelo, los clientes no pueden entender. Debe proporcionar una interfaz de usuario.
Para lograr esto, debe implementar el modelo en la web.