Ocena przydatności narzędzi MLOps do opracowywania systemów predykcyjnych

Abstract

W niniejszej pracy porównano ze sobą wybrane platformy MLOps - Kubeflow i MLFlow pod kątem przydatności do opracowywania systemów predykcyjnych. W tym celu opracowano i zaimplementowano na platformach system przewidujący wysokość pensji na podstawie danych z ogłoszenia. Na platformie MLFlow opracowany system wykonywał transformację danych i trening dla pięciu różnych modeli regresji, zapisując wszystkie artefakty, metryki i modele (wraz z wersją), z których najlepszy okazał się model Random Forest (MAE - 2258). Najlepszy z modeli został wdrożony w aplikacji opracowanej w języku Python. Implementacja na platformie Kubeflow polegała na opracowaniu i zapisaniu potoku transformującego dane i wykonującego trening dwóch modeli (z zapisaniem najważniejszych metryk). Najlepszy okazał się model Random Forest (MAE - 2422). Model został wdrożony jako serwis Kubernetes. Przeprowadzone studium przypadku umożliwiło ocenę wybranych platform i przedstawienie zastosowań, w których najlepiej się sprawdzą.