Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/32398| Título: | Uma investigação dos desafios no ciclo de vida do aprendizado de máquina e a importância do MLOps: um survey |
| Título(s) alternativo(s): | An investigation of challenges in the machine learning lifecycle and the importance of MLOps: a survey |
| Autor(es): | Amorim, Bruno Faustino |
| Orientador(es): | Souza, Francisco Carlos Monteiro |
| Palavras-chave: | Aprendizado do computador Inteligência artificial Prática profissional Machine learning Inteligência artificial Professional practice |
| Data do documento: | 11-Nov-2022 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Dois Vizinhos |
| Citação: | AMORIM, Bruno Faustino. Uma investigação dos desafios no ciclo de vida do aprendizado de máquina e a importância do MLOps: um survey. 2022. Monografia (Especialização em Ciência de Dados) – Universidade Tecnológica Federal do Paraná, Dois Vizinhos, 2022. |
| Resumo: | Muito recentemente, foi dada uma atenção considerável ao desenvolvimento de áreas de inteligência artificial e ciência de dados. Isso foi impulsionado pelos avanços científicos e pelo número crescente de softwares e serviços que estão popularizando técnicas e algoritmos de aprendizado de máquina e levando pessoas com menos conhecimento em áreas como estatística e matemática a criar seus modelos preditivos. Como resultado, o campo de aprendizado de máquina deixou de ser apenas acadêmico e passou a despertar o interesse de empresas de diferentes domínios. Esses eventos levaram ao surgimento de várias ferramentas, como Scikit-Learn, Tensorflow, Keras, Pycaret e um vasto número de serviços de Aprendizado de Máquina baseados em nuvem, acelerando o tempo de desenvolvimento de modelos preditivos em velocidades jamais vistas. No entanto, muitos desafios permanecem na operacionalização e manutenção de produtos centrados no Aprendizado de Máquina, fazendo com que muitas iniciativas empresariais com o seu uso sejam frustradas. Nesse cenário, a experiência prática mostra que o Aprendizado de Máquina é apenas uma fatia de um conjunto mais extenso de práticas e tecnologias necessárias para construir soluções nessa área. Neste artigo, o objetivo principal é identificar os desafios enfrentados atualmente pelos cientistas de dados no desenvolvimento de produtos centrados em Aprendizado de Máquina e como as Operações de Aprendizado de Máquina podem ajudar a vencê-los. Para tanto, foi realizada uma pesquisa que coletou respostas de 66 profissionais brasileiros em ciência de dados. A partir dos desafios identificados, foi explorada a importância das práticas de Operações de Machine Learning como parte integrante do ciclo de vida do Aprendizado de Máquina. Por fim, este trabalho contribui para preencher a lacuna em Operações de Aprendizado de Máquina nas atividades diárias que envolvem ciência de dados e o avanço desse campo de pesquisa no Brasil. |
| Abstract: | Quite recently, considerable attention has been paid to developing artificial intelligence and data science areas. This has been driven by scientific advances and the growing number of software and services that are popularizing machine learning techniques and algorithms and driving people with less knowledge in areas such as statistics and mathematics to create their predictive models. As a result, the machine learning field is no longer only scientific and has aroused the interest of companies from different domains. These events led to the emergence of multiple tools such as Scikit-Learn, Tensorflow, Keras, Pycaret, and a vast number of cloud-based machine learning services that provide an acceleration in the development of predictive models at speeds never seen. However, many challenges remain in operationalizing and maintaining machine learning-centered products, making many business initiatives frustrated. In this scenario, practical experience shows that machine learning is only a slice of a more extensive set of practices and technologies necessary to build solutions in this area. In this paper, the main goal is to identify the challenges currently faced by data scientists in developing Machine Learning-centric products and how Machine Learning Operations can support overcoming them. For this purpose, a survey was conducted that collected answers from 66 Brazilian professionals in data science. From the challenges identified, the importance of Machine Learning Operations practices as an integrated part of the Machine Learning lifecycle was explored. Finally, this work contributes to filling the gap in Machine Learning Operations in daily activities involving data science and advancing this research field in Brazil. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/32398 |
| Aparece nas coleções: | DV - Ciência de Dados |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| investigacaoprendizadomaquinaMLOps.pdf | 652,34 kB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
