Aproximación metodológica para la integración de las metodologías DataOps y MLOps aplicadas al trading automático

Abstract

Las metodologías tradicionales usadas para el desarrollo de aplicaciones de ciencia de datos dan cabida a una gran deuda técnica en su proceso desarrollo que termina por ocasionar el fracaso de muchos proyectos. Para mitigar dicha deuda, se plantea una integración entre los enfoques de DataOps y MLOps, en donde se definen los beneficios, pasos y principios a seguir en la construcción de una aplicación enmarcada bajo esta integración propuesta. Posterior a ello se comparan dos aplicaciones de trading automático usando Deep learning, una de ella es desarrollada bajo las metodologías tradicionales y otra bajo la integración de los enfoques de MLOps y DataOps. Se concluye que la integración de ambos enfoques resulta altamente provechosa, permitiendo suplir las falencias de las metodologías tradicionales y las deficiencias de cada uno de los enfoques usados de forma independiente. (Texto tomado de la fuente)

The traditional methodologies used for the development of data science applications give place to a great technical debt in their development process that ends up causing the failure of many projects. To mitigate this debt, an integration between DataOps and MLOps approaches is proposed, where the benefits, steps and principles to be followed in the construction of an application framed under this proposed integration are defined. Subsequently, two automatic trading applications using Deep learning are compared, one of them is developed under traditional methodologies and the other one under the integration of MLOps and DataOps approaches. It is concluded that the integration of both approaches is highly useful, allowing to supply the shortcomings of the traditional methodologies and the deficiencies of each of the approaches used independently.