Análise comparativa da implantação de um modelo de classificação com aprendizado de máquina em diferentes níveis de MLOps

dc.contributor.advisorLins, Hertz Wilton de Castro
dc.contributor.advisorIDhttps://orcid.org/0000-0003-1138-4276pt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/7712686175574736pt_BR
dc.contributor.authorOliveira, Joao Paulo Marques
dc.contributor.referees1Júnior, Luiz Gonzaga de Queiroz Silveira
dc.contributor.referees1IDhttps://orcid.org/0000-0001-6167-1893pt_BR
dc.contributor.referees1Latteshttp://lattes.cnpq.br/5714183212530259pt_BR
dc.contributor.referees2Fernandes, Felipe Ricardo dos Santos
dc.contributor.referees2IDhttps://orcid.org/0000-0003-0805-1796pt_BR
dc.contributor.referees2Latteshttp://lattes.cnpq.br/9594127311197032pt_BR
dc.date.accessioned2023-12-20T14:04:29Z
dc.date.available2023-12-20T14:04:29Z
dc.date.issued2023-12-08
dc.description.abstractThe integration of machine learning (ML) application implementations with system operations is notably more complex compared to other applications in the field of Software Engineering. This is due to ML systems facing the same challenges as common software systems, compounded by the difficulties inherent in ML. Maintaining these systems is also a complex task due to the unstable nature of ML models when confronted with variations in data patterns.. This work conducts a comparative analysis between different levels of MLOps to understand the nuances of this integration. Adopting an experimental comparative methodology, we conducted a literature review on MLOps and set up a working environment on Amazon Web Services (AWS). We implemented a classification system at three different MLOps levels, assessing efficiency, quality, and ease of maintenance. The results reveal that tools like MLFlow for metric tracking and logging, along with solutions like Evidently for data monitoring in production, play crucial roles in creating a robust and reliable ML ecosystem. This study provides valuable insights into the differences between MLOps levels, emphasizing the importance of these methodologies in the broader context of integrating machine learning systems.pt_BR
dc.description.resumoA integração de implementações das aplicações de Aprendizagem de máquina (AM) com operações de sistemas é notoriamente mais complexa se comparada a outras aplicações no campo da Engenharia de Software. com outros tipos de aplicações na Engenharia de Software. Isto ocorre porque os sistemas de AM apresentam as mesmas dificuldades de um sistema de software comum, acrescido das dificuldades da AM. Realizar a manutenção desses sistemas também é uma tarefa complexa devido a natureza instável dos modelos de AM diante de variações nos padrões dos dados. Este trabalho realiza uma análise comparativa entre diferentes níveis de MLOps para compreender as nuances dessa integração. Adotando uma metodologia comparativa experimental, conduzimos uma revisão bibliográfica sobre MLOps e preparamos um ambiente de trabalho na Amazon Web Services (AWS). Implementamos um sistema de classificação em três diferentes níveis de MLOps, avaliando eficiência, qualidade e facilidade de manutenção. Os resultados revelam que ferramentas como MLFlow para rastreamento de métricas e registros, juntamente com soluções como Evidently para monitoramento de dados em produção, desempenham papéis cruciais na criação de um ecossistema de AM robusto e confiável. Este estudo oferece insights valiosos sobre as diferenças entre os níveis de MLOps, sublinhando a importância dessas metodologias no contexto mais amplo da integração de sistemas de aprendizado de máquina.pt_BR
dc.identifier.citationOLIVEIRA, Joao Paulo Marques, Análise comparativa da implantação de um modelo de classificação com aprendizado de máquina em diferentes níveis de MLOps. 2023. 47 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Telecomunicações) - Departamento de Engenharia de Comunicações, Universidade Federal do Rio Grande do Norte, Natal, 2023.pt_BR
dc.identifier.urihttps://repositorio.ufrn.br/handle/123456789/56421
dc.languagept_BRpt_BR
dc.publisherUniversidade Federal do Rio Grande do Nortept_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentDepartamento de Engenharia de Comunicaçõespt_BR
dc.publisher.initialsUFRNpt_BR
dc.publisher.programEngenharia de Telecomunicaçõespt_BR
dc.rightsAttribution 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by/3.0/br/*
dc.subjectMLOpspt_BR
dc.subjectAprendizagem de máquinapt_BR
dc.subjectDevopspt_BR
dc.subjectIntegração Contínuapt_BR
dc.subjectEntrega Contínuapt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::PROBABILIDADE E ESTATISTICA APLICADASpt_BR
dc.titleAnálise comparativa da implantação de um modelo de classificação com aprendizado de máquina em diferentes níveis de MLOpspt_BR
dc.typebachelorThesispt_BR

Arquivos

Pacote Original

Agora exibindo 1 - 2 de 2
Nenhuma Miniatura disponível
Nome:
TCC___Joao_Paulo.pdf
Tamanho:
1.97 MB
Formato:
Adobe Portable Document Format
Nenhuma Miniatura disponível
Baixar
Nenhuma Miniatura disponível
Nome:
ficha_aprovacao.pdf
Tamanho:
188.4 KB
Formato:
Adobe Portable Document Format
Nenhuma Miniatura disponível
Baixar

Licença do Pacote

Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.45 KB
Formato:
Item-specific license agreed upon to submission
Nenhuma Miniatura disponível
Baixar