Sistemes d'Aprenentatge Automàtic en Producció

Crèdits
6
Tipus
  • MDS: Optativa
  • MIRI: Optativa
  • MEI: Optativa
Requisits
Aquesta assignatura no té requisits , però té capacitats prèvies
Departament
ESSI
En aquest curs, introduïm un enfocament d'aprenentatge basat en projectes per a l'ensenyament de MLOps, centrat en la demostració i l'experiència amb pràctiques i eines d'enginyeria de software emergent per a automatitzar la construcció de components habilitats per a ML. El curs inclou sessions de laboratori que cobreixen el cicle de vida del component ML de principi a fi, des de la construcció del model fins al desplegament en producció.

Professorat

Responsable

Altres

Hores setmanals

Teoria
1.8
Problemes
0
Laboratori
1.8
Aprenentatge dirigit
0
Aprenentatge autònom
6.4

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


    Estudi dels conceptes bàsics de l'Enginyeria del Software per a sistemes de ML (MLOps)


    Objectius: 1
    Continguts:
    Teoria
    3.6h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    1.8h

    Estudi de pràctiques MLOps per a construir models de ML


    Objectius: 2
    Continguts:
    Teoria
    7.2h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    3.6h

    Estudi de les pràctiques de MLOps per a desplegar models de ML


    Objectius: 3
    Continguts:
    Teoria
    7.2h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    3.6h

    Estudi de conceptes per a la supervisió de les dades obtingudes durant l'ús de sistemes de ML


    Objectius: 4
    Continguts:
    Teoria
    7.2h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    3.6h

    Desenvolupament pràctic d'un projecte end-to-end de pràctiques MLOps en el context de sistemes basats en ML

    L'estudiant desenvoluparà progressivament una pràctica que li permetrà exercir els conceptes bàsics introduïts en la part teòrica. Es desenvoluparà en equips de 4-5 estudiants. El software resultant, degudament documentat, es carregarà a un repositori de codi. L'equip presentarà un informe, escrit en anglès, que resumirà els aspectes principals de la pràctica. Això és, el procés de construcció i desplegament d'un component ML d'un sistema basat en ML, i una avaluació de la precisió dels models i algorismes utilitzats.
    Objectius: 1 2 3 4
    Continguts:
    Teoria
    0h
    Problemes
    0h
    Laboratori
    25.2h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    70.6h

    Presentació d'un resum d'un article existent sobre MLOps

    L'alumne presentarà el resum d'un article científic. Tots els alumnes han de presentar (almenys) una vegada. Els presentadors han de formular almenys una pregunta als altres per a fomentar el debat. Els professors preparen una llista d'articles.
    Objectius: 1
    Setmana: 14
    Teoria
    0h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Presentació del projecte de pràctiques MLOps en el context de sistemes basats en ML


    Objectius: 1 2 3 4
    Setmana: 14
    Teoria
    0h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Metodologia docent

    Els continguts teòrics de l'assignatura s'imparteixen a les classes de teoria. Aquestes classes es complementen amb exemples pràctics i problemes que els estudiants han de resoldre en les hores d'Aprenentatge Autònom.

    En les sessions de laboratori es consoliden els coneixements adquirits a les classes de teoria mitjançant la resolució de problemes i desenvolupament de pràctiques relacionats amb els continguts teòrics. Durant les classes de laboratori, el professor anirà introduint noves tècniques i deixarà una part important de la classe per tal que els estudiants treballin en els exercicis proposats.

    Mètode d'avaluació

    La nota es calcula ponderant la nota del projecte (pes 90%) i la nota de la presentació de l'article (pes 10%). Ambdues activitats són obligatòries.

    NOTA-FINAL = 90% NotaProjecte + 10% PresentacióArticle

    A la nota de projecte es qualifiquen la realització del projecte i el treball individual. Com a resultat, la nota final de projecte de cada estudiant es determina a partir de la fórmula següent:

    NotaProjecte = NotaEquip * FactorIndiv

    La nota global NotaEquip del projecte té en compte l'aplicació de pràctiques d'enginyeria del programari.

    El factor individual FactIndiv és un factor multiplicatiu entre 0 i 1.2 (i similarment, no pot fer créixer la nota final NotaProjecte més enllà de 10). Aquest factor s'obté a partir de l'avaluació que fa el professor sobre la participació de l'estudiant al lliurament i de l'avaluació que fan la resta de companys del grup sobre la participació de l'estudiant al lliurament.

    Bibliografia

    Bàsic

    Complementari

    Capacitats prèvies

    Les donades per les assignatures dels quadrimestres anteriors del màster. Fonaments de l'aprenentatge automàtic.