Machine Learning Operations aplicado al proceso de desarrollo y aprovisionamiento de modelos

Abstract

En la actual era de la ingeniería de software, donde el Machine Learning (ML) desempeña un papel crucial en la innovación tecnológica, la aplicación efectiva de prácticas de desarrollo y operación es esencial. El enfoque de DevSecOps (Development Security Operations) se ha popularizado por su capacidad para integrar la seguridad y la calidad en todas las etapas del ciclo de vida del desarrollo seguro de software. Sin embargo, en el contexto específico del Machine Learning, surge la necesidad de un enfoque especializado que considere las particula- ridades de los modelos y algoritmos utilizados. El Machine Learning Operations (MLOps), a pesar de su relativa novedad, busca establecer un marco para caracterizar el ciclo de vida del desarrollo de ML, desacoplarlo del desarrollo de software y garantizar atributos de calidad como escalabilidad, mantenibilidad y seguridad. También se enfrenta al desafío de gestionar datos de entrenamiento, la seguridad en el proceso de análisis y desarrollo de modelos, y la necesidad de una cultura orientada a la calidad. Este trabajo se centra en investigar cómo la implementación de MLOps puede impactar positivamente en la gestión del ciclo de vida del desarrollo de ML, con el objetivo de contribuir al conocimiento en este campo emergente y promover la adopción de las mejores prácticas en soluciones basadas en ML. (Texto tomado de la fuente).

In the current era of software engineering, where Machine Learning (ML) plays a pivotal role in technological innovation, the effective implementation of development and opera- tions practices is essential. The DevSecOps (Development Security Operations) approach has gained popularity due to its ability to integrate security and quality at every stage of the software development lifecycle. However, in the specific context of Machine Learning, there arises a need for a specialized approach that takes into account the peculiarities of the models and algorithms used. Machine Learning Operations (MLOps), despite its relative immaturity, aims to establish a framework for characterizing the ML development lifecycle, decoupling it from software development, and ensuring quality attributes such as scalability, maintainability, and security. It also grapples with challenges related to managing training data, security throughout the model analysis, development and deployment process, and the need for a quality-oriented culture. This thesis focuses on investigating how the implementa- tion of MLOps can positively impact the management of the ML development lifecycle, with the goal of contributing to knowledge in this emerging field and promoting the adoption of best practices in ML-based solutions.