Najlepsze praktyki we wdrażaniu przepływów MLOps natywnych chmurowo

Abstract

Uprodukcyjnienie modeli uczenia maszynowego jest ogromnym wyzwaniem dla wielu projektów w branży. Implementacja praktyk DevOps okazały się skuteczne w przyspieszeniu rozwoju i zmniejszeniu ryzyka rozwoju tradycyjnego oprogramowania. Zastosowanie technik DevOps do rozwoju oprogramowania opartych o technologie uczenia maszynowego określane jest jako MLOps. Dodatkowa złożoność projektów uczenia maszynowego względem tradycyjnego oprogramowania wymaga nowego podejścia, a w konsekwencji nowych narzędzi. Ekosystem rozwiązań MLOps jest dynamicznie rozwijającą się gałęzią branży IT. Niniejsza praca magisterska opisuje w szczegółach poszczególne elementy, narzędzia oraz wymagania w stosunku do stworzenia platform MLOps.Wwyniku pracy została zaproponowana architektura referencyjna, która jest odpowiednia dla nowych projektów, których celem jest szybki rozwój i wdrożenie modelu uczenia maszynowego. Zaproponowana architektura pozwala również na ograniczenie generowania długu technologicznego i możliwość relatywnie łatwej rozbudowy platformy w przyszłości. 1