•  
  •  
 
RELCASI

DOI

10.17705/1relc.00102

Abstract

In recent years, Data Science has become increasingly relevant as a support tool for industry, profoundly impacting decision-making. With the advent of new technologies and tools, companies have begun to recognize the power of AI in addressing everyday use cases, especially in this decade. However, despite its relevance, many companies face significant obstacles to drive Machine Learning models to productive environments, and performing some processes manually can lead to errors, low reproducibility, and inefficiency. In this context, the MLOps discipline emerges as a solution to automate the life cycle of Machine Learning models, ranging from experimentation to monitoring in productive environments. This work explores how MLOps pipeline implementation can help mitigate or even eliminate many of these challenges by presenting three successful case studies, including notable application in the largest financial bank in Latin America.

En los últimos años, la ciencia de datos ha adquirido una relevancia creciente como herramienta de apoyo para la industria, impactando profundamente la toma de decisiones. Con la llegada de nuevas tecnologías y herramientas, las empresas han comenzado a reconocer el poder de la IA para abordar casos de uso cotidianos, especialmente en esta década. Sin embargo, a pesar de su relevancia, muchas empresas se enfrentan a obstáculos importantes para implementar modelos de aprendizaje automático en entornos productivos, y la realización manual de algunos procesos puede generar errores, baja reproducibilidad e ineficiencia. En este contexto, la disciplina MLOps emerge como una solución para automatizar el ciclo de vida de los modelos de aprendizaje automático, desde la experimentación hasta el monitoreo en entornos productivos. Este trabajo explora cómo la implementación de un pipeline de MLOps puede ayudar a mitigar o incluso eliminar muchos de estos desafíos, presentando tres casos de éxito, incluyendo una aplicación destacada en el banco financiero más grande de Latinoamérica.

Nos últimos anos, a Ciência de Dados tornou-se cada vez mais relevante como ferramenta de apoio à indústria, impactando profundamente a tomada de decisões. Com o advento de novas tecnologias e ferramentas, as empresas começaram a reconhecer o poder da IA para lidar com casos de uso cotidianos, especialmente nesta década. No entanto, apesar de sua relevância, muitas empresas enfrentam obstáculos significativos para levar modelos de Aprendizado de Máquina a ambientes produtivos, e a execução manual de alguns processos pode levar a erros, baixa reprodutibilidade e ineficiência. Nesse contexto, a disciplina MLOps surge como uma solução para automatizar o ciclo de vida dos modelos de Aprendizado de Máquina, desde a experimentação até o monitoramento em ambientes produtivos. Este trabalho explora como a implementação de um pipeline MLOps pode ajudar a mitigar ou mesmo eliminar muitos desses desafios, apresentando três estudos de caso bem-sucedidos, incluindo uma aplicação notável no maior banco financeiro da América Latina.

Download

Share

COinS