[pt] Contexto: As operações de aprendizagem automática (MLOps) surgiram como um conjunto de práticas que combina desenvolvimento, testes e
operações para implementar e manter aplicações de aprendizagem automática. Objetivo: Nesta dissertação, iremos avaliar os benefícios e limitações da
utilização dos princípios de MLOps no contexto de modelos supervisionados
online, que são amplamente utilizados em aplicações como a previsão meteorológica, tendências de mercado e identificação de riscos. Método: Aplicámos dois métodos de investigação para avaliar os benefícios dos MLOps para
aplicações de aprendizagem automática online supervisionada: (i) desenvolvimento de um projeto prático de aprendizagem automática supervisionada
para aprofundar a compreensão do problema e das possibilidades de utilização dos princípios MLOps; e (ii) duas discussões de grupo de foco sobre
os benefícios e limitações da utilização dos princípios MLOps com seis programadores de aprendizagem automática experientes. Resultados: O projeto
prático implementou uma aplicação de aprendizagem automática de regressão
supervisionada utilizando KNN. A aplicação utiliza informações sobre as rotas das linhas de autocarros públicos do Rio de Janeiro e calcula a duração
da viagem de autocarro com base na hora de partida do dia e no sentido da
viagem. Devido ao âmbito da primeira versão e ao facto de não ter sido implementada em produção, não sentimos a necessidade de utilizar os princípios
MLOps que esperávamos inicialmente. De facto, identificámos a necessidade
de apenas um princípio, o princípio do controlo de versões, para alinhar as
versões do código e dos dados. O grupo de discussão revelou que os programadores de aprendizagem automática acreditam que os benefícios da utilização
dos princípios MLOps são muitos, mas que não se aplicam a todos os projectos em que trabalham. A discussão revelou que a maioria dos benefícios está
relacionada com a prevenção de passos manuais propensos a erros, permitindo
restaurar a aplicação para um estado anterior e ter um pipeline robusto de
implementação automatizada contínua. Conclusões: É importante equilibrar
as compensações do investimento de tempo e esforço na implementação dos
princípios de MLOps, considerando o âmbito e as necessidades do projeto. De
acordo com os especialistas, esse investimento tende a compensar para aplicativos maiores com implantação contínua que exigem processos automatizados
bem preparados. Por outro lado, para versões iniciais de aplicações de aprendizagem automática, o esforço despendido na implementação dos princípios
pode alargar o âmbito do projeto e aumentar o tempo de execução. / [en] Context: Machine Learning Operations (MLOps) has emerged as a set
of practices that combines development, testing, and operations to deploy and
maintain machine learning applications. Objective: In this dissertation, we
will assess the benefits and limitations of the use of MLOps principles in the
context of online supervised models, which are widely used in applications such
as weather forecasting, market trends, and risk identification. Method: We
applied two research methods to assess the benefits of MLOps for supervised
online machine learning applications: (i) developing a practical supervised
machine learning project to deepen the understanding of the problem and of
the MLOps principles usage possibilities; and (ii) two focus group discussions
on the benefits and limitations of using the MLOps principles with six
experienced machine learning developers. Results: The practical project
implemented a supervised regression machine learning application using KNN.
The application uses information on Rio de Janeiro s public bus line routes and
calculates the bus trip duration based on the trip departure time of the day
and trip direction. Due to the scope of the first version and given that it
was not deployed into production, we didn t feel the need to use the MLOps
principles we were expecting at first. Indeed, we identified the need for only
one principle, the versioning principle, to align versions of the code and the
data. The focus group revealed that machine learning developers believe that
the benefits of using MLOps principles are many but that they do not apply
to all the projects they worked on. The discussion brought up that most of
the benefits are related to avoiding error-prone manual steps, enabling it to
restore the application to a previous state, and having a robust continuous
automated deployment pipeline. Conclusions: It is important to balance the
trade-offs of investing time and effort in implementing the MLOps principles
considering the scope and needs of the project. According to the experts, this
investment tends to pay off for larger applications with continuous deployment
that require well-prepared automated processes. On the other hand, for initial
versions of machine learning applications, the effort taken into implementing
the principles might enlarge the scope of the project and increase the time
needed to deploy a first version to production.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:64505 |
Date | 30 October 2023 |
Creators | GABRIEL DE ARAUJO CARVALHO |
Contributors | MARKUS ENDLER |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | English |
Detected Language | Portuguese |
Type | TEXTO |
Page generated in 0.0355 seconds