Sistemas de Aprendizaje Automático en Producción

• Profesorado
• Horas semanales
• Competencias
• Objetivos
• Contenidos
• Actividades
• Metodología docente
• Método de evaluación
• Bibliografía
• Capacidades previas

Profesorado

Responsable

• Silverio Juan Martínez Fernández ( )

Otros

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

Horas semanales

Competencias

Competencias Transversales

Sostenibilidad y compromiso social

• CT2 - Conocer y comprender la complejidad de los fenomenos economicos y sociales tipicos de la sociedad del bienestar; capacidad para relacionar el bienestar con la globalizacion y la sostenibilidad; habilidad para utilizar de forma equilibrada y compatible la tecnica, la tecnologia, la economia y la sostenibilidad.

Trabajo en equipo

• CT3 - Ser capaz de trabajar como miembro de un equipo interdisciplinar ya sea como un miembro mas, o realizando tareas de direccion con la finalidad de contribuir a desarrollar proyectos con pragmatismo y sentido de la responsabilidad, asumiendo compromisos teniendo en cuenta los recursos disponibles.

Lengua extranjera

• CT5 - Conocer una tercera lengua, preferentemente el inglés, con un nivel adecuado oral y escrito y en consonancia con las necesidades que tendrán los titulados y tituladas.

Básicas

• CB8 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
• CB9 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

Competencias Técnicas Genéricas

Genéricas

• CG3 - Definir, diseñar e implementar sistemas complejos que cubran todas las fases en proyectos de ciencia de datos
• CG4 - Diseñar y poner en marcha proyectos de ciencia de datos en dominios específicos de forma innovadora

Competencias Técnicas

Específicas

• CE5 - Modelar, diseñar e implementar sistemas complejos de datos, incluyendo la visualización de datos
• CE7 - Identificar las limitaciones impuestas por la calidad de datos en un problema de ciencia de datos y aplicar técnicas para disminuir su impacto
• CE10 - Identificar los métodos de aprendizaje automático y modelización estadística a utilizar para resolver un problema específico de ciencia de datos y aplicarlos de forma rigurosa

Objetivos

1. Interpretar los conceptos básicos de la Ingeniería del Software para sistemas ML (machine learning), especialmente en relación al uso y explotación de prácticas MLOps.
   Competencias relacionadas: CT5, CG3, CE5,
2. Aplicar y analizar las prácticas de MLOps para construir modelos de ML, fomentando la reproducibilidad y la garantía de calidad.
   Competencias relacionadas: CT2, CT3, CE7, CE10, CB8, CB9,
3. Aplicar y analizar las prácticas de MLOps para implementar modelos de ML, fomentando el desarrollo de APIs y la entrega de componentes.
   Competencias relacionadas: CT3, CG3, CG4, CE5, CB8, CB9,
4. Describir los conceptos y métodos relacionados con el seguimiento de los datos obtenidos durante el uso de los sistemas de ML, con el fin de permitir ciclos de retroalimentación en respuesta a los cambios.
   Competencias relacionadas: CT3, CG3, CG4, CE5, CB8, CB9,

Contenidos

1. Conceptos básicos de Ingeniería de Software para sistemas ML (MLOps)
   Motivación de la necesidad de ingeniería de software para sistemas ML. Introducción a MLOps y conceptos clave. Ingeniería de requisitos para ML. Plataformas de desarrollo colaborativo.
2. Prácticas de MLOps para construir modelos de ML
   La complejidad y diversidad de los proyectos de ciencia de datos y los sistemas de ML exigen técnicas de ingeniería para garantizar que se construyan de manera sólida y preparada para el futuro. En este capítulo, abordamos las mejores prácticas de ingeniería de software para software de proyectos de ciencia de datos, incluidos los componentes de ML: sistemas de control de versiones; seguimiento y reproducibilidad de la canalización de ML; medición de software para ML; garantía de calidad para ML.
3. Prácticas de MLOps para implementar modelos de ML
   La complejidad y diversidad de los sistemas de ML requieren técnicas de ingeniería para garantizar que se implementen de manera sólida y lista para la producción. En este capítulo, abordamos las mejores prácticas de ingeniería de software para componentes de ML: arquitectura de software para ML; implementar modelos de ML; API para ML; embalaje de componentes ML; automatización de canalizaciones de ML.
4. Monitoreo de datos obtenidos durante el uso de sistemas ML
   Un problema clave en el desarrollo de software es la evolución del sistema ML en respuesta a las nuevas necesidades. El análisis de los datos obtenidos durante el uso del sistema ML por parte de sus usuarios, incluidos sus comentarios explícitos, permite conocer sus necesidades reales, de las que en ocasiones ni siquiera ellos son plenamente conscientes. Cada vez más nos encontramos con sistemas de software que necesitan ser conscientes de su contexto para prestar un correcto servicio. Esta restricción les obliga a monitorear los datos de contexto continuamente, descubrir cambios significativos y reaccionar en tiempo de ejecución (eventualmente, casi en tiempo real). Este tema describe el problema y revisa algunas técnicas básicas: monitoreo y telemetría; Ciclos MLOps y bucles de retroalimentación.

Actividades

Actividad Acto evaluativo

Metodología docente

Método de evaluación

Bibliografía

Básica:

• 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

Capacidades previas