Puesta en producción de modelos de aprendizaje automático y administración de su ciclo de vida (MLOps)
Year: 2023
Type: dissertation
Abstract: MLOps es una metodología para la ingeniería ML (Machine Learning) que unifica el desarrollo del sistema ML (el elemento ML) con las operaciones del sistema ML (el elemento Ops). Aboga por formalizar y (cuando sea beneficioso) automatizar los pasos críticos de la construcción del sistema ML. MLOps proporciona un conjunto de procesos estandarizados y capacidades tecnológicas para construir, implementar y poner en funcionamiento sistemas ML de forma rápida y confiable. MLOps admite el desarrollo y la implementación de ML de la misma manera que DevOps y DataOps admiten la ingeniería de aplicaciones y la ingeniería de datos (análisis). La diferencia es que cuando implementa un servicio web, le importa la resiliencia, las consultas por segundo, el equilibrio de carga, etc. Cuando implementa un modelo ML, también debe preocuparse por los cambios en los datos, los cambios en el modelo y los usuarios que intentan trabajar con el sistema. MLOps es una metodología absolutamente novedosa (2020) y de escasa implementación en el tejido empresarial, en parte por lo reciente de sus conceptos, y en parte por la falta de un ecosistema de aplicaciones y métodos perfectamente establecidos que resulten de confianza para las compañías. Por el contrario, el ecosistema de herramientas y metodologías existente es variado y disperso, sin un líder establecido. Todo ello justifica el interés de realizar en este proyecto un análisis de las herramientas disponibles, metodologías y flujos de trabajo, para establecer las opciones más adecuadas en función de diferentes usos y organizaciones (grupo de investigación, PIME, gran empresa, etc).
Author: García Espinosa, Guillermo
Language: Spanish
Subfield: Information Systems
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7052124244