Sistemes d'Aprenentatge Automàtic en Producció

• Professorat
• Hores setmanals
• Competències
• Objectius
• Continguts
• Activitats
• Metodologia docent
• Mètode d'avaluació
• Bibliografia
• Capacitats prèvies

Professorat

Responsable

• Silverio Juan Martínez Fernández ( )

Altres

• Matías Sebastián Martínez Martínez ( )
• Santiago Del Rey Juarez ( )

Hores setmanals

Competències

Competències Transversals

Sostenibilitat i compromís social

• CT2 - Conèixer i comprendre la complexitat dels fenòmens econòmics i socials típics de la societat del benestar; tenir capacitat per relacionar el benestar amb la globalització i la sostenibilitat; assolir habilitats per usar de forma equilibrada i compatible la tècnica, la tecnologia, l'economia i la sostenibilitat.

Treball en equip

• CT3 - Ser capaç de treballar com a membre d'un equip interdisciplinari, ja sigui com un membre més o duent a terme tasques de direcció, amb la finalitat de contribuir a desenvolupar projectes amb pragmatisme i sentit de la responsabilitat, tot assumint compromisos considerant els recursos disponibles.

Tercera llengua

• CT5 - Conèixer una tercera llengua, preferentment l'anglès, amb un nivell adequat oral i escrit i en consonància amb les necessitats que tindran els titulats i titulades.

Bàsiques

• CB8 - Que els estudiants sàpiguen comunicar les seves conclusions i els coneixements i raons darreres que les sustenten- a públics especialitzats i no especialitzats d'una manera clara i sense ambigüitats.
• CB9 - Que els estudiants posseeixin les habilitats d'aprenentatge que els permetin continuar estudiant d'una manera que haurà de ser en gran mesura autodirigida o autònoma..

Competències Tècniques Generals

Genèriques

• CG3 - Definir, dissenyar i implementar sistemes complexos que cobreixin totes les fases en projectes de ciència de dades
• CG4 - Dissenyar i posar en marxa projectes de ciència de dades en dominis específics de forma innovadora

Competències Tècniques

Específiques

• CE5 - Modelar, dissenyar i implementar sistemes complexos de dades, incloent-hi la visualització de dades
• CE7 - Identificar les limitacions imposades per la qualitat de dades en un problema de ciència de dades i aplicar tècniques per a disminuir el seu impacte
• CE10 - Identificar els mètodes d'aprenentatge automàtic i modelització estadística a utilitzar per resoldre un problema específic de ciència de dades, i aplicar-los de forma rigorosa

Objectius

1. Interpretar els conceptes bàsics de l'Enginyeria de Software per a sistemes ML, especialment en relació amb l'ús i aprofitament de les pràctiques MLOps.
   Competències relacionades: CT5, CG3, CE5,
2. Aplicar i analitzar les pràctiques MLOps per a construir models ML, fomentant la reproductibilitat i la garantia de qualitat.
   Competències relacionades: CT2, CT3, CE7, CE10, CB8, CB9,
3. Aplicar i analitzar pràctiques de MLOps per a desplegar models ML, fomentant el desenvolupament de API i el lliurament de components.
   Competències relacionades: CT3, CG3, CG4, CE5, CB8, CB9,
4. Descriure conceptes i mètodes relacionats amb la monitorització de les dades obtingudes durant l'ús dels sistemes de ML, amb la finalitat de permetre bucles de retroalimentació en resposta als canvis.
   Competències relacionades: CT3, CG3, CG4, CE5, CB8, CB9,

Continguts

1. Conceptes bàsics d'Enginyeria del Software per a sistemes de ML (MLOps)
   Motivació de la necessitat d'enginyeria del software per a sistemes ML. Introducció a MLOps i conceptes clau. Enginyeria de requisits per a ML. Plataformes de desenvolupament col·laboratiu.
2. Pràctiques MLOps per a construir models de ML
   La complexitat i diversitat dels projectes de ciència de dades i els sistemes de ML requereixen tècniques d'enginyeria que garanteixin que es construeixen de manera robusta i preparada per al futur. En aquest capítol abordem les millors pràctiques d'enginyeria del software per al software de projectes de ciència de dades, inclosos els components de ML: sistemes de control de versions; reproductibilitat i seguiment de canalitzacions de ML; mesurament de software per a ML; garantia de qualitat per a ML.
3. Pràctiques de MLOps per a desplegar models de ML
   La complexitat i diversitat dels sistemes de ML exigeixen tècniques d'enginyeria que garanteixin que es despleguen de manera robusta i llista per a la producció. En aquest capítol abordem les millors pràctiques d'enginyeria del software per a components de ML: arquitectura del software per a ML; desplegament de models de ML; API per a ML; empaquetat de components de ML; automatització de pipelines de ML.
4. Dades de seguiment obtinguts durant l'ús dels sistemes de ML
   Un problema clau en el desenvolupament de software és l'evolució del sistema de ML en resposta a noves necessitats. L'anàlisi de les dades obtingudes durant l'ús del sistema de ML per part dels seus usuaris, inclosos els seus comentaris explícits, permet descobrir les seves necessitats reals, de les quals a vegades ni tan sols ells són plenament conscients. Cada vegada més ens trobem amb sistemes de software que necessiten conèixer el seu context per a prestar un servei correcte. Aquesta restricció els obliga a monitorar contínuament les dades de context, descobrir canvis significatius i reaccionar en temps d'execució (eventualment, gairebé en temps real). Aquest tema descriu el problema i repassa algunes tècniques bàsiques: monitoratge i telemetria; cicles MLOps i bucles de retroalimentació.

Activitats

Activitat Acte avaluatiu

Metodologia docent

Mètode d'avaluació

Bibliografia

Bàsica:

• Building intelligent systems: a guide to machine learning engineering - Hulten, Geoff, Apress, 2018. ISBN: 9781484234327
  

Complementaria:

• Teaching MLOps in Higher Education through Project-Based Learning - Lanubile, Filippo; Martínez-Fernández, Silverio; Quaranta, Luigi, SEET@ICSE , 2023.
  https://arxiv.org/pdf/2302.01048.pdf
• Machine Learning in Production - Kästner, Christian, , 2022.
  https://ckaestne.medium.com/machine-learning-in-production-book-overview-63be62393581

Capacitats prèvies