Esta es un versión antigua publicada el 2023-05-15. Consulte la versión más reciente.

Metodología basada en MLOps (Machine Learning Operations) para apoyo a la gestión en proyectos de ciencia de datos

Autores/as

Angela A Ordonez Bolanos Universidad del Cauca
Juan Sebastian Rojas The Bit Bang Company https://orcid.org/0000-0001-8356-5805
Jorge Gómez Gómez Universidad de Córdoba https://orcid.org/0000-0001-8746-9386
Gustavo Ramirez-Gonzalez Universidad del Cauca https://orcid.org/0000-0002-1338-8820

DOI:

https://doi.org/10.24054/rcta.v1i41.2510

Palabras clave:

Machine Learning, MLOps, Machine, Learning Operaciones, Gestión, Metodología, Data science

Resumen

Muchas empresas de ingeniería han decidido adentrarse en el campo de la ciencia de datos y MLOps con el objetivo de crear, extraer y analizar grandes volúmenes de datos. Este enfoque es de suma importancia debido a su naturaleza multidisciplinaria, ya que combina principios, conceptos y prácticas de la ingeniería, el aprendizaje automático, las matemáticas, entre otras disciplinas. El principal objetivo al explorar este campo de trabajo radica en lograr un rendimiento, eficiencia y eficacia óptimos al aplicar correctamente los conceptos, metodologías, procedimientos y directrices que ofrece esta
área de estudio. Sin embargo, es fundamental destacar que, aunque la definición y el concepto son claros, la información sobre las metodologías y procedimientos requeridos en un proyecto de este tipo es escasa debido a la novedad del término MLOps. Por lo tanto, este artículo proporciona una metodología basada en MLOps que respalda la gestión de
proyectos de ciencia de datos. Es importante mencionar que este proyecto se basa en una empresa colombiana; no obstante, se ha recopilado trabajos, documentos e información de diferentes países en la investigación realizada.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

sugerencias principales para Machine Learning reproducible. (n.d.). Platzi. Retrieved June 26, 2023, from

https://platzi.com/blog/diez-sugerenciaspara-machine-learning/

Azevedo, A., & Santos, M. (2008). KDD, SEMMA and CRISP-DM: A parallel overview. IADIS European Conf. Data

Mining. https://www.semanticscholar.org/paper/KDD%2C-SEMMA-and-CRISP-DM%3Aa-parallel-overviewAzevedoSantos/6bc30ac3f23d43ffc2254b0be24ec4217cf8c845

Battina, D. S. (2019). An Intelligent Devops Platform Research And Design Based On Machine Learning. Training,

(3).

CI/CD para Machine learning – Canalizaciones de Amazon SageMaker –

Amazon Web Services. (n.d.). Amazon Web Services, Inc. Retrieved June 26, 2023, from https://aws.amazon.com/es/sagemaker/pipelines/

Estructuras, Metodologías y Métodos Ágiles y Lean. (n.d.). Retrieved June 26, 2023, from https://www.centrovirtual.com/recursos/biblioteca/pdf/metodologias_agiles/clase2_pdf1.pdf

Gurrola, R., & Rodriguez Rivas, J. G. (2020). Ciencia de los Datos, Propuestas y

casos de uso.

hmong.wiki. (n.d.). Selección de modelo IntroducciónyDos direcciones de selección de modelo. Retrieved June 26, 2023, from https://hmong.es/wiki/Model_selection

Kreuzberger, D., Kühl, N., & Hirschl, S. (2023). Machine Learning Operations (MLOps): Overview, Definition, and

Architecture. IEEE Access, 11, 31866–31879. https://doi.org/10.1109/ACCESS.2023.3262138

Quintanilla, Luis. (2023, March 13). Métricas de ML.NET - ML.NET. https://learn.microsoft.com/eses/dotnet/machinelearning/resources/metrics

Machine Learning Lens—Machine Learning Lens. (n.d.). Retrieved June 26, 2023, from

https://docs.aws.amazon.com/wellarchitected/latest/machine-learning-lens/machinelearning-lens.html

Mäkinen, S. (n.d.). Designing an opensource cloud-native MLOps pipeline [University of Helsinki]. Retrieved June

, 2023, from https://helda.helsinki.fi/bitstream/handle/10138/328526/Makinen_Sasu_Thesis_2021.pdf?sequence=2&isAllowed=y

Petersen, K., Feldt, R., Mujtaba, S., & Mattsson, M. (2008). Systematic Mapping Studies in Software Engineering.

Proceedings of the 12th International Conference on Evaluation and Assessment in Software Engineering, 68–77.

http://dl.acm.org/citation.cfm?id=2227115.2227123

Saltz, J. (2021, July 30). Data Science Management: 5 Key Concepts. Data Science Process Alliance. https://www.datascience-pm.com/datascience-management/

Testi, M., Ballabio, M., Frontoni, E., Iannello, G., Moccia, S., Soda, P., & Vessio, G. (2022). MLOps: A Taxonomy

and a Methodology. IEEE Access, 10, 63606–63618. https://doi.org/10.1109/ACCESS.2022.31

Descargas

Publicado

2023-09-04 — Actualizado el 2023-05-15

Versiones

Cómo citar

Ordonez Bolanos, A. A., Rojas, J. S., Gómez Gómez, J., & Ramirez-Gonzalez, G. (2023). Metodología basada en MLOps (Machine Learning Operations) para apoyo a la gestión en proyectos de ciencia de datos. REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA), 1(41), 87–103. https://doi.org/10.24054/rcta.v1i41.2510 (Original work published 4 de septiembre de 2023)