Automating the deployment of machine learning method models in the cloud

W dziedzinie sztucznej inteligencji podejście znane jako MLOps odgrywa kluczową rolę w automatyzacji i usprawnieniu procesów związanych z uczeniem maszynowym. W niniejszej pracy przedstawiono przegląd narzędzi wspierających MLOps, analizując ich funkcjonalności oraz mocne i słabe strony. Jedno z tych narzędzi, Kubeflow, cieszy się szczególną uwagą w kontekście jego zdolności do wsparcia operacji związanych z uczeniem maszyn. Kubeflow, będący efektywnym rozwiązaniem w środowisku operacji związanych z algorytmami sztucznej inteligencji, został głęboko przeanalizowany w kontekście jego roli w cyklu życia modelu. Dodatkowo, praktyczna część pracy pokazuje implementację pipeline, który objął wszystkie etapy, od zbierania danych, przez ich przetwarzanie, trenowanie modeli sztucznej inteligencji, aż po wdrożenie i serwowanie za pomocą narzędzia Kserve. Niniejsze badania dostarczają istotnych informacji dla ekspertów w dziedzinie uczenia maszynowego, którzy dążą do poprawy i automatyzacji wdrażania modeli w chmurze.

In the field of artificial intelligence, a specific approach known as MLOps plays a key role in automating and streamlining machine learning processes. This thesis provides an overview of the tools that support MLOps, analyzing their functionalities and their strengths and weaknesses. One of these tools, Kubeflow, receives special attention in terms of its ability to support machine learning operations. Kubeflow, being an effective solution in an artificial intelligence algorithm operations environment, was deeply analyzed in the context of its role in the model lifecycle. In addition, the practical part of the work shows the implementation of the pipeline, which covered all stages, from data collection, processing, training of artificial intelligence models, to deployment and serving with the Kserve tool. This research provides important information for machine learning experts who seek to improve and automate the deployment of models in the cloud.