Design and Implementation of Machine Learning Operations

Abstract

Rast popularity a významu aplikácie strojového učenia v rôznych odvetviach viedol k postupnému rozšireniu principov DevOps o koncepty súvisiace s dátami a modelmi, výsledkom čoho došlo k vzniku paradigmy známej ako MLOps. Táto diplomová práca skúma jej dôležitost', hlavné principy a fázy, ktoré s ňou súvisia. V práci poskytujeme prehl'ad MLOps nástrojov a ich hlavných funkcionalit, na základe ktorého vyberáme tie najvhodnejšie pre účely využitia v procese výuky. Výsledkom tejto analýzy je "proof of concept" riešenie, ktoré môže slúžit' ako základ pre d'alši výskum možnosti začlenenia operácii strojového učenia za účelmi zjednodušenia procesu vývoja modelov pre študentov a výskumnikov na našej univerzite.

The growing popularity and importance of machine learning adoption across industries have led to a gradual enrichment of DevOps principles with data- and model-related concepts, forming a paradigm known as MLOps. This diploma thesis explores its importance and describes the main principles and phases involved. We perform a summary of MLOps tools and their features, which we use to select the appropriate tools for use in our academic setting, and design a proof of concept solution that can be used as a basis for further research and incorporation of machine learning operations to simplify the model development process for students and researchers at our university.